基于合成数据的射频迁移学习行为分析
信号处理
2022-10-05 v1
摘要
迁移学习(TL)技术利用从不同分布数据中获得的先验知识来实现更高性能和更短训练时间,常用于计算机视觉(CV)和自然语言处理(NLP),但尚未在射频机器学习(RFML)领域得到充分利用。本文以自动调制分类(AMC)为例,通过考察由发射机/接收机硬件和信道环境表征的训练域与任务如何影响射频迁移学习性能,系统评估了射频(RF)迁移学习行为。通过使用精心构建的具有不同信号类型、信噪比(SNR)和频偏(FO)的合成数据集进行详尽实验,得出了关于如何最好地将射频迁移学习技术用于域适应和序列学习的普遍性结论。与其他模态中确定的趋势一致,结果表明射频迁移学习性能高度依赖于源域与目标域/任务之间的相似性。结果还讨论了信道环境、硬件差异以及域/任务难度对射频迁移学习性能的影响,并比较了使用头部重训练和模型微调方法的射频迁移学习性能。
引用
@article{arxiv.2210.01158,
title = {An Analysis of RF Transfer Learning Behavior Using Synthetic Data},
author = {Lauren J. Wong and Sean McPherson and Alan J. Michaels},
journal= {arXiv preprint arXiv:2210.01158},
year = {2022}
}
备注
arXiv admin note: substantial text overlap with arXiv:2206.08329