深度学习在射频应用中的频谱填充
信号处理
2022-04-05 v1 信息论
机器学习
math.IT
摘要
由于物联网（IoT）的普及，射频（RF）信道正日益被具有独特且多样化通信需求的新类型设备所拥塞。这给现代数字通信带来了复杂的挑战，并呼吁开发以下技术创新：（i）在有限带宽环境中优化容量（比特率），（ii）与已部署的射频协议协同集成，以及（iii）适应现代数字通信中不断变化的需求。在本文中，我们提出了将深度神经网络应用于频谱填充的方法。给定一个以预先建立的调制方案传输数字消息的射频信道，我们自动学习新的调制方案，用于以附加消息的形式在固定调制信号“周围”发送额外信息（即不干扰它们）。通过这种方式，我们在不增加带宽的情况下有效提高了信道容量。我们进一步展示了生成与原始调制高度相似信号的能力，使得第三方监听者无法察觉额外消息的存在。我们提出了三个计算实验来证明我们方法的有效性，并通过讨论我们的结果对现代射频应用的影响作为总结。
引用
@article{arxiv.2204.01536,
title = {Deep Learning for Spectral Filling in Radio Frequency Applications},
author = {Matthew Setzler and Elizabeth Coda and Jeremiah Rounds and Michael Vann and Michael Girard},
journal= {arXiv preprint arXiv:2204.01536},
year = {2022}
}