一种具有可学习膨胀和数据增强的 WaveNet 架构用于 RF 信号分离的新方法
信号处理
2024-02-16 v1 机器学习
摘要
在本文中，我们通过提出一种 WaveNet 架构的新颖改编来解决 RF 信号分离的复杂问题，该改编引入了可学习的膨胀参数，显著增强了密集 RF 频谱中的信号分离能力。我们专注的架构改进和创新的数据增强策略显著提高了模型辨别复杂信号源的能力。本文详细介绍了我们的综合方法，包括改进的模型架构、数据准备技术以及对我们成功至关重要的战略训练策略。我们方法的有效性由记录的实质性改进所证明：在 BER 为 时，带有 EMI Signal 1 的 OFDM-QPSK 的 SINR 增加了 58.82\%，超越了传统基准。值得注意的是，我们的模型在挑战 \cite{datadrivenrf2024} 中取得了第一名，证明了其卓越的性能，并为 RF 通信领域内的机器学习应用树立了新标准。
引用
@article{arxiv.2402.09461,
title = {A Novel Approach to WaveNet Architecture for RF Signal Separation with Learnable Dilation and Data Augmentation},
author = {Yu Tian and Ahmed Alhammadi and Abdullah Quran and Abubakar Sani Ali},
journal= {arXiv preprint arXiv:2402.09461},
year = {2024}
}