面向毫米波感知的脉冲神经网络频率匹配

毫米波 (mmWave) 感知能够实现保护隐私的、始终在线的边缘感知，但其测量数据通常稀疏、时间上不规则且被高频噪声破坏。现有的 mmWave 处理流程主要依赖人工神经网络 (ANN)，通过广泛的预处理或深层架构来实现鲁棒性，从而限制了其在边缘设备上的效率。在本工作中，我们从机制与数据对齐的视角研究用于 mmWave 感知的脉冲神经网络 (SNN)。通过利用漏电积分触发 (LIF) 动力学的低通滤波行为，我们分析了其隐式时间滤波如何与 mmWave 信号的频率结构相互作用。我们的分析表明，当判别性信息位于低至中频段时，LIF 动力学能够固有地抑制高频噪声，从而阐明了 SNN 何时以及为何优于 ANN。基于这一洞察，我们推导出了一个配置膜衰减因子的原则性准则，即将 LIF 动力学的有效带宽与数据的判别性频谱内容相匹配。在四个广泛使用的 mmWave 数据集上的实验结果验证了所提出的频率匹配假设，在统一的评估协议下，相较于 ANN 基线，测试准确率平均提升了 6.22%，理论能耗降低了 3.64$\times$。