通过目标检测进行无线接入技术表征
信号处理
2020-07-28 v1 机器学习
摘要
无线接入技术（RAT）分类与监测对于不同通信系统在中共享频谱中的高效共存至关重要。共享频谱，包括免许可频段的运行，在 5G 标准（例如 3GPP Rel. 16）中已有设想。在本文中，我们提出一种机器学习（ML）方法以表征频谱利用并促进对其的动态接入。卷积神经网络（CNN）的最新进展使我们能够通过将频谱图作为图像处理来进行波形分类。与其他只能提供受监测 RAT 类别的 ML 方法不同，我们提出的解决方案不仅能识别共享频谱中不同的 RAT，还能通过使用目标检测和特征提取模块从频谱图中提取特征，识别帧间时长、帧时长、中心频率和信号带宽等关键参数。我们使用商业传输数据集以及在软件定义无线电（SDR）测试床环境中实现并评估了我们的解决方案。所评估的场景为共享频谱中 WiFi 与 LTE 传输的共存。我们的结果表明，我们的方法在捕获常规用户通信传输的数据集上，RAT 分类准确率达 96%。结果还显示，提取的特征精度在 2% 的误差范围内，并且能够在广泛的发射功率水平和干扰条件下检测出 94% 以上的目标。
引用
@article{arxiv.2007.13561,
title = {Radio Access Technology Characterisation Through Object Detection},
author = {Erika Fonseca and Joao F. Santos and Francisco Paisana and Luiz A. DaSilva},
journal= {arXiv preprint arXiv:2007.13561},
year = {2020}
}