亚奈奎斯特速率下宽带频谱表征的新型深度学习框架
信号处理
2020-05-08 v2 机器学习
摘要
5G 及后续世代网络中频谱共享的引入，要求基站具备表征跨越授权、共享和非授权非连续频带的宽带频谱的能力。频谱表征包括识别空闲频带以及占用频带的中心频率和参数（能量、调制等）。在奈奎斯特采样下进行此类表征由于需要高速数字化而面积和功耗巨大。尽管亚奈奎斯特采样（SNS）在频谱稀疏时提供了极佳的替代方案，但其在低信噪比（SNR）下性能较差，且要求仔细设计和集成数字重构、可调信道化与表征算法。本文中，我们提出了一种通过单一统一流水线的新型深度学习框架来完成两项任务：1) 直接从亚奈奎斯特采样重构信号；2) 宽带频谱表征。所提方法消除了重构与表征之间复杂信号调理的需求，且不需要复杂的可调信道化器。我们广泛比较了我们的框架在多种调制方案、SNR 和信道条件下的性能。我们表明，所提框架优于现有的基于 SNS 的方法，且随着 SNR 增加，表征性能接近基于奈奎斯特采样的框架。易于设计和集成以及单一统一的深度学习框架使所提架构成为可重构平台的良好候选。
引用
@article{arxiv.1912.05255,
title = {Novel Deep Learning Framework for Wideband Spectrum Characterization at Sub-Nyquist Rate},
author = {Shivam Chandhok and Himani Joshi and A V Subramanyam and Sumit J. Darak},
journal= {arXiv preprint arXiv:1912.05255},
year = {2020}
}