深度学习检测未知参数信号的能力
信号处理
2025-12-16 v1
摘要
在许多信号处理应用中，包括通信、声纳、雷达和定位，一个基本问题是检测背景噪声中的信号兴趣，称为信号检测 [1] [2]。这个问题的一个简单版本是检测具有未知参数的信号兴趣并加性白高斯噪声 (AWGN)。当定义信号的参数未知时，按照 Neyman-Pearson 准则的最优检测器不存在。任何检测器的性能上限是匹配滤波器，这意味着对信号兴趣具有完美的逐样本知识。近年来，深度神经网络 (DNN) 在目标检测和图像分类等假设检验问题中表现非常出色。本文检讨了基于 DNN 的方法应用于原始 I/Q 层面的信号检测问题，并将其与基于统计的方法以及匹配滤波器进行比较。这些方法旨在最大化检测概率 Pd，同时保持恒定的错误概率 PF A。在三个信号模型中训练和评估了两种机器学习 (ML) 算法，并在统一数据集上训练并评估了所有信号模型。
引用
@article{arxiv.2512.13542,
title = {On the Ability of Deep Learning to Detect Signals with Unknown Parameters},
author = {Tom Anders and Hiten Prakash Kothari and R. Michael Buehrer},
journal= {arXiv preprint arXiv:2512.13542},
year = {2025}
}