RadioLLM：通过混合提示和标记重编程引入大型语言模型于认知无线电
信号处理
2025-05-14 v3 人工智能
机器学习
摘要
频谱资源的日益稀缺以及无线设备的快速增长，使得高效的无线网络管理至关重要。虽然深度学习增强的认知无线电技术（CRT）为诸如无线信号分类（RSC）、去噪和频谱分配等任务提供了有前景的解决方案，但现有的深度学习基于CRT框架通常具有任务特定性，难以在多样化的实际应用中实现可扩展性。这一局限性自然导致了对大型语言模型（LLM）的探索，由于其卓越的跨域泛化能力，为推动CRT发展提供了新的潜力。为弥合这一差距，我们提出了RadioLLM，一种 novel framework（创新框架），集成了混合提示和标记重编程（HPTR）用于将无线信号特征与专家知识相结合，并提出了频率感知融合（FAF）模块以增强高频特征建模。在多个基准数据集上的广泛评估表明，RadioLLM在大多数测试场景中均优于现有基线方法。
引用
@article{arxiv.2501.17888,
title = {RadioLLM: Introducing Large Language Model into Cognitive Radio via Hybrid Prompt and Token Reprogrammings},
author = {Shuai Chen and Yong Zu and Zhixi Feng and Shuyuan Yang and Mengchang Li},
journal= {arXiv preprint arXiv:2501.17888},
year = {2025}
}
备注
This work has been submitted to the IEEE JSAC for possible publication