跳到正文
arXiv cs.AI· Honghan She, Yufan Cheng, Siya Huang, Pengyu Wang, Tieming Sun, Kaikai Yang·· 10 小时前AI 评分18

Brownian Bridge 扩散辅助的联合信道估计与数据检测,用于抗干扰 OFDM 接收机

Brownian Bridge Diffusion-Assisted Joint Channel Estimation and Data Detection for Jamming-Resilient OFDM Receivers

AI 导读

研究提出 BBD-JCED 框架,用于抗干扰 OFDM 接收机的联合信道估计与数据检测,包含干扰抑制模块与 Brownian bridge 联合恢复模块。前者在 STFT 域识别受干扰污染的频点并通过频谱陷波抑制主要干扰分量,后者构建基于 Brownian bridge 的概率图并执行反向恢复过程。仿真显示该框架在代表性干扰类型下干扰抑制与比特恢复性能优于基线方案,同时保持有竞争力的推理复杂度。

正文 · AI 翻译

查看 PDF

摘要:在下一代无线网络中,设备密度的不断增长和频谱资源的有限性,给无线电磁环境中脆弱的合法通信链路带来了严重的干扰挑战。关键在于,当干扰在时域和频域上与导频和数据符号重叠时,会对接收端的联合估计与检测造成严重瓶颈。现有方案往往缺乏有效的框架来对抗此类干扰污染,因而无法保证可靠传输。为解决这一问题,我们提出了一种布朗桥扩散辅助的联合信道估计与数据检测(BBD-JCED)框架,用于抗干扰正交频分复用(OFDM)接收机。该框架由干扰抑制模块和布朗桥联合恢复模块组成。前者在短时傅里叶变换(STFT)域中识别受干扰污染的频点,并通过频谱陷波抑制主要干扰分量。后者建立基于布朗桥的概率图,对从抑制后的 OFDM 观测到编码比特的概率转移过程进行建模,并执行反向恢复过程,以实现增强的联合信道估计与数据检测。此外,我们推导了变分下界(VLB),将难以处理的比特估计问题重新表述为可处理的训练目标,为损失函数设计提供了概率基础。进一步,我们开发了一种两阶段训练算法,分别优化干扰抑制模块和布朗桥联合恢复模块。在代表性干扰类型下的仿真结果表明,与所考虑的基线方案相比,所提框架在保持具有竞争力的推理复杂度的同时,实现了更优的干扰抑制和比特恢复性能。
主题: 信息论(cs.IT);人工智能(cs.AI);信号处理(eess.SP)
引用为: arXiv:2606.28778 [cs.IT]
  (或 arXiv:2606.28778v2 [cs.IT] 用于此版本)
  https://doi.org/10.48550/arXiv.2606.28778

由 DataCite 颁发的 arXiv DOI

提交历史

来自:Honghan She [查看邮箱]
[v1] 2026年6月27日星期六 07:13:45 UTC(5,323 KB)
[v2] 2026年11月18日星期三 10:56:09 UTC(4,525 KB)

来源:arXiv cs.AI · arxiv.org