用于低功耗环境感知的信道响应学习尖峰编码

射频（RF）感知具有实现普遍监控应用的潜力。然而，现代感知算法涉及复杂运算，与边缘感知设备的能源受限特性相冲突。这要求开发出能够在性能和能源效率之间找到合适平衡的新型处理和学习技术。脉冲神经网络（SNN）最近作为边缘计算应用中传统神经网络的能源高效替代方案而涌现。它们以稀疏二进制脉冲序列的形式处理信息，因此 potentially 通过几个数量级来降低能源消耗。它们在RF信号处理中的富有成果的使用关键取决于将RF信号表示为脉冲信号形式。我们强调，现有的脉冲编码算法通常产生不准确的信号表示和密集（即低效）脉冲序列。本文提出一种轻量级神经网络架构，通过联合重构输入及其谱内容来学习信道响应的定制化脉冲编码表示。凭借可调的正则化项，我们的方法实现了对系统性能-能源权衡的细粒度控制。我们的数值结果表明，所提出的方法在重建误差和所获得脉冲编码的稀疏性方面均优于现有编码算法。