你能修复我的神经网络吗？用于弹性无线信号分类的实时自适应波形合成
网络与互联网体系结构
2021-03-08 v1 机器学习
摘要
得益于其在无需显式建模的情况下对复杂现象进行分类的能力，深度学习（DL）已被证明是无线信号分类（WSC）的关键赋能技术。尽管 DL 在特定条件下可达到非常高的准确率，近期研究揭示无线信道会破坏 DL 模型在训练期间学到的特征，从而在实际现场环境中大幅降低分类性能。由于在部署后重新训练分类器十分繁琐，现有工作利用了精心设计的有限冲激响应（FIR）滤波器，当应用于发射端时，可恢复因信道作用而丢失的特征，即波形合成。然而，这些方法使用离线优化策略计算 FIR，这限制了其在高度动态信道环境中的有效性。在本文中，我们通过提出 Chares 改进了现有最优水平，Chares 是一种基于深度强化学习（DRL）的信道弹性自适应波形合成框架。Chares 通过 DRL 实时最优计算 FIR 来适应新的未见信道条件。Chares 是一种 DRL 智能体，其架构基于双延迟深度确定性策略梯度（TD3），仅需来自接收端的极小反馈并探索连续动作空间。Chares 已在两个知名数据集上进行了广泛评估。我们还通过在现场可编程门阵列（FPGA）上的实现评估了 Chares 的实时延迟。结果表明，Chares 在不进行波形合成时将准确率提升至 4.1 倍，相对于现有工作提升 1.9 倍，并能在 41 微秒内计算新动作。
引用
@article{arxiv.2103.03745,
title = {Can You Fix My Neural Network? Real-Time Adaptive Waveform Synthesis for Resilient Wireless Signal Classification},
author = {Salvatore D'Oro and Francesco Restuccia and Tommaso Melodia},
journal= {arXiv preprint arXiv:2103.03745},
year = {2021}
}