DeepGraph 免费验证案例 · OFDM + Saleh：DPD / DPoD / 无处理的频谱—功率效率折衷

提交方向：OFDM 系统 Saleh 功放非线性下 DPD、DPoD 与无处理的效率折衷（提交人选定选项 A） 交付时间：2026-08-26 这一轮真跑了：25 个输入回退点 × 5 个随机种子 × 200 个 OFDM 符号（1024 子载波、16-QAM）， 四条臂（含一条零模型），纯 CPU。

0. 结论（先说结果）

两条预测，一条成立、一条被推翻，而被推翻的那条更有用。

• 成立：DPD 在整个功率效率区间上支配无处理。同一功率效率下频谱效率显著更高。
• 被推翻：我们原本预测 DPoD 会稳定地介于两者之间（优于无处理、劣于 DPD）。 实际是——在深度饱和区（输入回退 0.0–1.0 dB），DPoD 比什么都不做还差， 最差处低 0.208 bit/s/Hz。

为什么：收端后失真要对已经含噪声的信号做 Saleh 逆变换，而这个逆在接近饱和点时是病态的。 我们量了它的噪声放大系数：输出为饱和点 50% 时是 1.16 倍，95% 时 3.41 倍，99.9% 时 4.57 倍。 放大噪声带来的损失，超过了纠正失真带来的收益。这是 Saleh 逆的固有性质，不是实现问题 （第 3 节有专门的复核）。

DPD 与 DPoD 的差距也随非线性增强而拉大：强非线性区（回退≤3 dB）平均差 1.622 bit/s/Hz， 弱非线性区（≥9 dB）只差 0.401。这一半的预测方向是对的。

1. 数字

（频谱效率，bit/s/Hz；每格是 5 个种子的均值） 图：work/figs/pareto.png（左：Pareto 折衷面；右：DPoD 相对无处理的增益，红色区就是它反而更差的地方）

2. 判定规则（跑之前写死，见 claims.json）

• Pareto：输入回退 0–12 dB 扫描，每点算 (功率效率, 频谱效率)，取非支配集
• 频谱效率：由带内 SNDR 经 log2(1+SNDR)，SNDR 含非线性失真与 AWGN，三条臂都做同样的最小二乘增益校正
• 功率效率：B 类功放 eta = 0.785·sqrt(Pout/Pmax)
• 零模型：用错误的 Saleh 参数做预失真。若它也能拿到同等增益，说明增益来自任意信号操作而非真的逆了非线性

3. 我们怎么确认这不是实现问题

五项敌意复核（work/adversarial_check.py）：

1. DPD 是不是靠少发功率换的？ 是的，部分是。同一回退点 DPD 的功率效率 0.624 < 无处理 0.689。 所以两者必须在 Pareto 面上比，不能只比频谱效率。这一点请特别注意。
2. 噪声对三条臂一视同仁吗？ 噪声按各自输出功率归一到同一 SNR，加在功放之后、任何收端处理之前。 DPD 在噪声之前工作、DPoD 在噪声之后——这是物理事实，不是实现偏袒。
3. 深饱和区 DPoD 变差是病态还是 bug？ 量化了逆变换的噪声放大系数（1.16→4.57），是固有性质。
4. 错参零模型为什么也有增益？ 平均 +0.560，因为任何压缩型逆映射都能部分补偿。 关键是正确参数拿到 4.5 倍增益。
5. 换种子会翻吗？ 另外三个种子都复现「深饱和区 DPoD 更差」。这是一致性核查，不是统计检验——本轮没有对种子间差异做配对显著性检验，所以这条只能说"没被推翻"，不能当作带 p 值的证据。

另外用另写的一套 EVM→SNDR→SE 代码独立复算了 IBO=6 dB 三条臂，与主实验完全一致（差 0） （复算用同样的种子与符号数，只把 SNDR→SE 换成 EVM 路径，结果逐位一致）。

4. 这些数不支持什么

1. 没有覆盖范围这一维。 本轮做的是选项 A（频谱效率—功率效率两维）。覆盖范围是选项 B 的内容。
2. Saleh 是无记忆模型。 真实功放有记忆效应，会改变 DPD 的可达增益；本轮结论不外推到有记忆的情形。
3. DPD 假设参数完全已知。 真实系统要在线辨识，误差会吃掉一部分增益——错参零模型那一栏 可以当作「参数辨识很差」时的下界参考。
4. 没有编码增益、没有 MIMO、没有实测功放数据。
5. 绝对数值依赖 SNR=25 dB 与 16-QAM 的设定，换设定绝对值会变，但三条臂的相对关系应当稳定 （这一点本轮没验，属下一轮）。

5. 下一步

1. 把覆盖范围这一维加进来（你原方向里的第三维），做三维 Pareto —— 这是你最初要的完整图景。
2. 换成有记忆的功放模型（Volterra / 记忆多项式），看 DPD 的优势还剩多少、DPoD 的失效区会不会扩大。
3. 扫 SNR 与调制阶数，验证「深饱和区 DPoD 反而更差」这个结论的适用边界在哪。

这三条属于付费轮。

6. 随附材料

work/experiment.py（四条臂全流程）、work/adversarial_check.py（第 3 节五项）、 work/recheck.py（独立复算）、work/plot_results.py + figs/、claims.json（跑前预测）、 work/results.json（数字唯一回查源）、work/logs/run.log。

本轮为纯仿真，不使用任何外部数据，不需要提交人提供任何材料。