基于储备池的射频数据边缘训练以实现智能高效的物联网频谱传感器
信号处理
2021-07-01 v1 机器学习
摘要
当前边缘端的射频(RF)传感器缺乏计算资源来支持实用的、原位训练的智能频谱监测以及通用的传感器数据分类。我们提出了一种基于深度延迟环储备池计算(DLR)的解决方案,该处理架构通过结合延迟环储备池计算与创新的电光硬件,在紧凑型移动设备上支持通用机器学习算法。通过我们设计的环的数字与光子实现,与当前最优(SoA)相比,DLR在体积、硬件复杂度和延迟方面均有降低。储备池的主要作用是将输入数据投影到更高维的储备池状态向量空间中,以线性分离输入类别。一旦类别被良好分离,学习过程中就不再需要传统上复杂且高功耗的分类模型。然而,即便使用基于岭回归(RR)的简单分类器,其复杂度也至少随输入规模呈二次增长。因此,紧凑设备训练所需的硬件缩减与状态向量的大维度相矛盾。DLR采用基于RR的分类器以超越SoA精度,同时通过利用并行(分裂)环架构进一步降低功耗。我们提出了由多个较小环组成的DLR架构,其状态向量被线性组合以生成维度更低的岭回归输入。我们展示了DLR在两个不同应用中的优势:用于物联网认证的RF特定辐射源识别(SEI),以及用于物联网态势感知的无线协议识别。
引用
@article{arxiv.2106.16087,
title = {Reservoir Based Edge Training on RF Data To Deliver Intelligent and Efficient IoT Spectrum Sensors},
author = {Silvija Kokalj-Filipovic and Paul Toliver and William Johnson and Rob Miller},
journal= {arXiv preprint arXiv:2106.16087},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2104.00751