用于射频信号分类的深度学习压缩
机器学习
2024-03-06 v1 网络与互联网体系结构
信号处理
摘要
下一代蜂窝概念依赖于大量射频（RF）样本的处理。这包括基于软件定义无线电（SDR）连接蜂窝前端的无线接入网（RAN），以及用于处理频谱相关数据的AI框架。由密集RAN无线电单元和频谱传感器收集的RF数据可能需要联合处理以进行智能决策。将大量数据移动到AI代理可能会导致显著的带宽和延迟成本。我们提出了一种基于学习型矢量量化（VQ）的深度学习压缩（DLC）模型HQARF，用于压缩包含6种调制类别的RF信号的复值样本。我们正在评估HQARF对经过训练以推断RF信号调制类别的AI模型性能的影响。对窄带RF样本进行压缩以用于训练和场外推断，将允许在非实时分析中有效利用带宽和存储，并减少实时应用中的延迟。在探索HQARF信号重建在调制分类任务中的有效性的同时，我们重点介绍了DLC优化空间以及与嵌入在HQARF中的VQ训练相关的一些开放问题。
引用
@article{arxiv.2403.03150,
title = {Deep-Learned Compression for Radio-Frequency Signal Classification},
author = {Armani Rodriguez and Yagna Kaasaragadda and Silvija Kokalj-Filipovic},
journal= {arXiv preprint arXiv:2403.03150},
year = {2024}
}