用于数据驱动信号处理与信号理解的复值神经网络

复值神经网络在许多信号处理、传感与通信领域的任务中展现出优越的建模性能。然而，开发复值模型目前需要构建基础的深度学习操作（如线性层或卷积层），因为 PyTorch 和 Tensorflow 等现代深度学习框架对复值神经网络的支持尚不充分。本文概述了一个基于 PyTorch 构建的软件包，旨在为常见的复值神经网络操作与架构实现轻量级接口。类似于近年来在文本智能方面取得巨大进展的自然语言理解（NLU），射频信号理解（RFSU）是一个利用基于信号机理的洞察与数据驱动建模能力相结合的混合方法扩展传统信号处理算法的新兴领域。值得注意的是，我们提供了线性、卷积和注意力模块以及激活函数与批归一化（batchnorm）、层归一化（layernorm）等归一化层的高效实现。此外，我们还包含了基于流形的复值神经网络层的高效实现，这些层已显示出巨大潜力，但在许多研究背景下仍相对未被充分探索。尽管由于侧重于信号处理、通信和雷达数据，本文以一维数据张量为主，但许多例程也针对二维和三维数据实现。具体而言，所提方法为数据驱动信号处理的研究与实际实现提供了一套有用的工具和文档。