GNN-Enhanced Binary Loop Detection for NOMA–AFDM

Qingyu Li

doi:10.1109/TWC.2026.3699661

GNN-Enhanced Binary Loop Detection for NOMA–AFDM

2026-06-10

0

PRE

AI

DOI：10.1109/TWC.2026.3699661

原文链接

原文求助

摘要

En 中文

仿射频分复用（AFDM）实现了全分集，但面临信号分散导致的多址接入挑战。为解决此问题，我们提出了一种功率域非正交多址接入AFDM（PD-NOMA-AFDM）系统，通过功率域复用使多用户信号在相同资源块上并行传输。此外，我们设计了基于双环最大比合并-消息传递（BLMM）的串行干扰消除（SIC）方案。具体而言，内环充分利用AFDM等效信道的稀疏性，有效消除符号间干扰并实现可靠的初始符号估计；外环迭代更新外信息，以补偿带状矩阵近似带来的性能下降。我们证明了内环收敛至MMSE不动点，外环局部收敛。随后，结合Lipschitz连续性和扰动理论，我们证明了整体BLMM检测器收敛至精确不动点邻域。通过成对误差概率分析，刻画了其分集增益及与最大似然（ML）检测的性能差距。为进一步缩小此差距，将图神经网络（GNN）融入BLMM多用户检测框架。该方法通过节点消息交互动态捕捉多用户干扰（MUI）特性，从而提高近似后验概率分布的准确性。仿真结果表明，所提出的BLMM-GNN实现了接近ML的性能，且具有强鲁棒性。

Keyword:

AFDM

NOMA

deep learning (DL)

successive interference cancellation (SIC)

graph neural network (GNN)

multi-user detection

GNN-Enhanced Binary Loop Detection for NOMA–AFDM

摘要

期刊

机构

引用论文