Physikbasierte Masken‑PAPR‑Reduktion verbessert AFDM‑Signalqualität

USA: Physikbasierte Masken‑PAPR‑Reduktion für AFDM‑Signalverarbeitung

Neuer Ansatz zur PAPR‑Reduktion

Ein Forschungsteam um Xiangxin Liu, Yushuai Zhang und weitere hat ein Verfahren entwickelt, das die Spitzen‑zu‑Durchschnitts‑Leistungs­rate (PAPR) von AFDM‑Signal­strömen signifikant senkt und damit die Energieeffizienz zukünftiger 6G‑Mobilfunknetze erhöht. Das Verfahren kombiniert maskenbasierte Deep‑Learning‑Techniken mit physikalischer Modellierung, um die durch Doppler‑Effekte verursachten Verzerrungen zu kompensieren.

Herausforderungen bestehender Verfahren

Bislang führten maskenbasierte Deep‑Learning‑Ansätze in AFDM‑Umgebungen zu einem Verlust kontextueller Informationen, weil sie nur lokale Stichproben berücksichtigten. Zudem fehlte den Modellen eine physikalische Interpretierbarkeit, wodurch die Ergebnisse schwer nachvollziehbar blieben.

Vollbild‑Eingabestrategie

Der neue Ansatz nutzt eine Vollbild‑Eingabestrategie, die die globale zeitliche Korrelation des AFDM‑Signals ausnutzt. Durch die Betrachtung des gesamten Zeit‑Frames können beschädigte Symbole präziser rekonstruiert werden, ohne dass lokale Informationen verloren gehen.

PolyNet‑Volterra‑Modell

Zur Behandlung nichtlinearer Verzerrungen wird das PolyNet‑Volterra‑Netzwerk eingesetzt. Das Modell integriert die Volterra‑Reihentheorie und baut explizit erste‑Ordnung‑Linearbeiträge sowie dritte‑Ordnung‑Leistungs­merkmale ein. Diese Konstruktion erhöht die Rekonstruktionsgenauigkeit und reduziert gleichzeitig das Risiko von Over‑Fitting, weil keine blinde Schichtung von Schichten erfolgt.

Simulationsergebnisse

Simulationen zeigen, dass das vorgeschlagene Verfahren bei einem Schwellenwert von 0,9 die PAPR um etwa 5,9 dB reduziert. Das Modell benötigt lediglich rund 165 000 Parameter und erreicht gleichzeitig bessere Bit‑Error‑Rate‑ (BER) und Mean‑Squared‑Error‑Werte (MSE) im Vergleich zu herkömmlichen Verfahren.

Vergleich mit bestehenden Modellen

Im direkten Vergleich übertrifft das PolyNet‑Volterra‑Modell etablierte Baselines wie DNN, ResNet und das herkömmliche PolyNet sowohl in der Reduktion der PAPR als auch in der Rechen‑ und Parameter‑Effizienz. Die geringere Komplexität macht das Modell besonders geeignet für Empfängerseiten mit begrenzten Ressourcen.

Zukünftige Schritte

Die Autoren betonen, dass weitere hardware‑orientierte Tests und Over‑the‑Air‑Validierungen erforderlich sind, bevor das Verfahren in reale 6G‑Systeme integriert werden kann. Solche Studien sollen die Praxistauglichkeit und Robustheit unter realen Mobilitätsbedingungen prüfen.Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.