⚡ electrical engineering

Learning-Based Signal Recovery in Nonlinear Systems with Spectrally Separated Interference

本文提出了一种学习型多层向量近似消息传递（LMLVAMP）算法，该算法将谱先验与基于神经网络的去噪相结合，旨在有效从受强带外干扰影响的 6G FR3 宽带系统非线性接收观测中恢复目标信号。

原作者： Jayadev Joy, Sundeep Rangan

发布于 2026-02-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Jayadev Joy, Sundeep Rangan

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图在嘈杂拥挤的房间里听清朋友对你低声诉说的秘密。这就是下一代 6G 无线网络（特别是运行在“中高频段”——即 7 到 24 GHz 之间这一全新的拥挤频率范围内的网络）所面临的挑战。

以下是利用简单的类比对该论文中的问题及提出的解决方案进行的解析。

问题：被“过载的麦克风”

在一个理想的世界里，你手机的接收器应该像一只超敏锐的耳朵，只听得见你的朋友，而忽略其他所有人。然而，现实世界的硬件并非完美无缺。

噪声： 想象你的朋友（期望信号）正在房间的一个角落低声细语，而此时隔壁房间正有一支摇滚乐队（干扰源）在激烈演奏。尽管乐队在另一个“房间”（频段）里，但他们的声音实在太响了，以至于穿透了墙壁。
饱和： 现在，想象麦克风正在尝试录制这段声音。由于摇滚乐队的声音太大，麦克风被“压垮”或饱和了。这就像试图用消防水柱去填满一个杯子；水会从杯子两侧溢出来。
溢出： 当麦克风发生溢出时，它并不仅仅是停止录制，而是产生了一团混乱且扭曲的杂乱信号。这种失真导致摇滚乐队的噪声“泄漏”到了你朋友所在的频率中。突然之间，即便他们在不同的频段，你朋友的低语也被淹没在了摇滚乐队的噪声之下。
像素化： 更糟糕的是，录音随后被切分成数字块（量化），这又增加了一层“颗粒感”或静电噪音。

结果： 传统方法试图使用滤波器来阻挡摇滚乐队。但由于麦克风已经被巨大的噪声扭曲了，滤波器失效了。因为“溢出”已经污染了信号。

解决方案：一位“聪明的学习型侦探”

作者提出了一种名为 LMLVAMP（学习型多层向量近似消息传递）的新算法。不要把它看作是一个静态的滤波器，而要把它看作是一位聪明的侦探，学习如何清理这些混乱。

它不是使用固定的规则（比如“如果声音太大就调低音量”），而是使用一个不断重复的两个步骤过程，并且每轮都会变得更加聪明：

频谱侦探（频域）：
- 它做什么： 这位侦探观察“频谱”（不同的频率）。它准确知道你的朋友应该在哪里，以及摇滚乐队在哪里。
- 类比： 它就像一名夜店保安，手里拿着 VIP 名单。它会说：“好吧，摇滚乐队在 VIP 区，而我的朋友在普通区。我会尝试根据他们的位置将他们区分开。”
非线性侦探（时域）：
- 它做什么： 这位侦探观察声音的实际波形，特别是麦克风是如何发生扭曲的。它使用了一个神经网络（一种人工智能），该网络已经针对成千上万个“扭曲的低语”案例进行了训练。
- 类比： 这就像一位法医音频工程师，他非常清楚特定的麦克风在声音过大时会如何“崩溃”。他们可以从数学上逆转这种失真，剥离掉“溢出”的各层伪装，从而揭示出原本隐藏在底下的低语。

“学习”的部分：
不同于那些需要工程师为每种可能的失真手动编写复杂数学公式的旧方法，这个系统会学习规则。它通过模拟数据进行训练，以理解麦克风在被压垮时的行为。它不需要预先知道失真的确切数学模型；它只需学会识别混乱的模式并将其清理干净。

它的表现如何

论文将这位“聪明侦探”与传统方法进行了对比测试：

旧方法（线性滤波器）： 当摇滚乐队的声音变得非常大（高干扰）时，旧的滤波器就会放弃。信号会变成一堆垃圾。
新方法（LMLVAMP）： 即使摇滚乐队的声音震耳欲聋，新算法依然能持续恢复低语。
- 在测试中，它实现了比旧方法更高的“数据速率”（更清晰的通信）。
- 即使信号被切分成数字比特（量化）后，它依然表现良好。
- 它“思考”得越多（迭代次数越多），效果就越好。

核心结论

论文声称，对于未来的 6G 网络而言，由于设备将在拥挤的频段中面临强烈的干扰信号，我们不能仅仅依赖简单的线性滤波器。我们需要一种混合方法：一种结合了信号处理的数学结构（了解频段位置）与人工智能的适应性（学习如何修复失真）的方法。

他们的“学习型 ML-VAMP”算法充当了一个具有韧性的、自我修正的系统，即使在硬件被强干扰推向极限时，也能恢复出清晰的信号。

技术摘要：具有频谱分离干扰的非线性系统中的基于学习的信号恢复

1. 问题陈述

本文解决了在具有高频谱密度环境的 Upper Mid-Band (FR3, 7–24 GHz) 6G 接收机中，恢复期望信号所面临的挑战。在这些场景下，强相邻频带（带外，OOB）干扰是不可避免的。虽然传统的线性接收机依赖于频率选择性滤波来抑制不相交频带的干扰，但实际硬件限制——特别是前端非线性（例如放大器饱和）和有限分辨率的量化——会导致频谱泄漏。

当强 OOB 干扰器将接收机驱动进入非线性状态时，会产生带内失真，使得经典的线性滤波失效。核心问题是从受噪声（ $w$ ）和可选量化（ $y_q$ ）影响的接收观测值 $y$ 中估计期望信号 $x_0$ 。该过程受到以下因素的影响：

强 OOB 干扰： 占据一个不相交的频带。
非线性饱和： 被建模为平滑的、无记忆的非线性（软阈值）。
量化： 模数转换器（ADC）进行的可选粗量化。

2. 方法论

系统模型

作者采用了一种离散时间信号模型，其中接收向量 $r$ 是占据不相交频带 $B_\ell$ 的频域源 $x_\ell$ 的逆离散傅里叶变换（IDFT）。接收前端被建模为一个无记忆非线性函数 $\Phi(\cdot)$ ，后接加性噪声和可选量化：
$y = \Phi(r, w)$
具体而言，使用了一种软饱和模型，其中振幅通过 $\tanh$ 函数进行压缩同时保持相位，随后加入加性噪声和均匀量化器。

提出的算法：Learned ML-VAMP

本文提出了一种**学习型多层向量近似消息传递（LMLVAMP）**算法。该方法将模型驱动的贝叶斯推理与数据驱动的适应性相结合。

结构： 该算法将系统视为一个两层网络：
1. 第一层（频域）： 通过 IDFT 矩阵将频域信号 $x$ 映射到时域信号 $r$ 。
2. 第二层（时域）： 将 $r$ 映射到非线性观测值 $y$ 。
迭代推理： 算法通过两个去噪函数迭代更新估计值 $\hat{x}$ $\overset{x}{^}$ 和 $\hat{r}$ $\overset{r}{^}$ ：
1. 频谱去噪器 ( $G_0$ )： 在频域运行。对于期望信号，这是一个基于已知频谱先验（均值 $\mu$ 和方差 $S$ ）的线性 MMSE 估计器。
2. 非线性去噪器 ( $G_1$ )： 在时域运行，用于反转非线性失真。
学习组件：
- 在经典的 ML-VAMP 中，非线性去噪器 $G_1$ 需要复杂的多元数值积分，这在计算上是难以实现的。
- 提出的学习型方法使用紧凑且可训练的神经网络（ $f_0$ 和 $f_1$ ）取代了难以处理的解析去噪器。这些网络在模拟数据上进行端到端训练，以逼近最优的 MMSE 去噪器。它们接收当前估计值、噪声方差和系统参数（如饱和功率 $P_{sat}$ ）作为输入，并输出精细化的估计值和精度参数。
训练目标： 模型使用复合损失函数进行训练，该函数对中间迭代过程中的频域误差进行惩罚（以引导收敛），并对最终迭代进行惩罚（以确保准确性）。

复杂度优势

与可能需要 $O(N^2)$ 个参数（针对 $N$ 维输入）的一般深度学习方法不同，LMLVAMP 框架利用了分量级（component-wise）神经网络。其复杂度不随信号维度 $N$ 扩展，这使其适用于宽带系统。

3. 核心贡献

新颖框架： 引入了专门为处理存在强 OOB 干扰、接收机饱和和量化情况下的信号恢复而设计的 Learned ML-VAMP 框架。
混合架构： 将频谱先验（针对期望信号频带）与基于神经网络的去噪相结合，以处理非线性失真，而无需显式的硬件非线性解析模型。
可解释性： 与“黑盒”深度学习网络不同，所提出的方法保留了消息传递的迭代结构，通过其贝叶斯推理根源提供可解释性。
高效性： 证明了通过使用轻量级神经网络取代解析去噪器，可以在保持可扩展性的同时，避免高维积分带来的计算负担。

4. 性能结果

模拟是在 FR3 相关条件下进行的（SNR 10–20 dB，INR 30–80 dB，10-bit 量化）。将所提出的 LMLVAMP 与以下模型进行了对比：

LINEAR-K/U： 线性频域维纳估计器（带有或不带有干扰器知识）。
ORACLE： 具有完美系统知识的理想化估计器（性能上限）。

主要发现：

对干扰的鲁棒性： 当干扰噪声比（INR）超过 50 dB 时，由于非线性频谱泄漏，线性估计器的性能急剧下降。相比之下，LMLVAMP 保持了强大的性能，实现的速率显著高于线性基准（在某些区间差距超过 20 dB）。
收敛性： 所提出的方法在两次迭代内即可接近 ORACLE 基准的性能。
泛化能力： “未知”变体（LMLVAMP-U）在不假设已知干扰器信号的情况下，性能显著优于线性基准，展示了其对未知干扰条件的泛化能力。
量化抗性： 即使在 10-bit 量化下，该算法仍保持着相对于线性替代方案的实质性优势。

5. 重要性与主张

本文声称，所提出的 LMLVAMP 框架为设计面向未来 6G 系统的稳健且具成本效益的 FR3 接收机提供了可行方案。通过对非线性、噪声和量化进行联合建模，该方法克服了经典线性滤波在密集频谱环境中的局限性。

作者强调，这种方法弥合了严谨的模型驱动推理与数据驱动方法的适应性之间的鸿隙。它为复杂的多项式建模（难以估计）和缺乏可解释性的黑盒神经网络提供了一个实用的替代方案。结果表明，结合学习型去噪器的迭代推理对于处理上中段共存场景中典型的严重非线性失真至关重要。

正如作者所述，未来的工作包括将该框架扩展到时变干扰、记忆效应以及实时硬件实现。