受光子电路启发的紧凑网络：面向边缘端实时无线信号分类
信号处理
2021-06-29 v1 机器学习
摘要
机器学习（ML）方法在无线通信系统中无处不在，并已被证明在射频（RF）指纹识别、自动调制分类与认知无线电等应用中十分强大。然而，ML 模型的大体量使其难以在边缘设备上部署于对延迟敏感的下游任务。在无线通信系统中，亚毫秒级的 ML 数据处理将实现实时网络监测，以提升安全性并防止渗透。此外，能在芯片尺度实现 ML 模型的紧凑可集成硬件平台，将在无线通信网络中找到更广泛的应用。面向边缘端实时无线信号分类，我们提出了一种新颖的紧凑深度网络，由受光子硬件启发的循环神经网络模型与简化的卷积分类器组合而成，并展示了其在通过随机发射识别 RF 发射机方面的应用。使用所提模型，我们在 30 个相同 ZigBee 设备的数据集上取得了 96.32% 的分类准确率，且训练参数量比现有最优 CNN 分类器少 50 倍。得益于网络规模的大幅缩减，我们使用小型 FPGA 板 PYNQ-Z1 以 0.219 ms 延迟演示了实时 RF 指纹识别。
引用
@article{arxiv.2106.13865,
title = {A Photonic-Circuits-Inspired Compact Network: Toward Real-Time Wireless Signal Classification at the Edge},
author = {Hsuan-Tung Peng and Joshua Lederman and Lei Xu and Thomas Ferreira de Lima and Chaoran Huang and Bhavin Shastri and David Rosenbluth and Paul Prucnal},
journal= {arXiv preprint arXiv:2106.13865},
year = {2021}
}
备注
17 pages, 14 figures