RF挑战赛：数据驱动的射频信号分离挑战
信号处理
2025-07-29 v3 机器学习
摘要
我们利用深度学习方法，采用数据驱动的方式解决射频（RF）信号中的干扰抑制这一关键问题。本文的一个主要贡献是引入了RF挑战赛，这是一个公开可用的、多样化的RF信号数据集，用于对RF信号问题进行数据驱动分析。具体来说，我们采用了一个简化的信号模型来开发和分析干扰抑制算法。针对此信号模型，我们引入了一组精心选择的深度学习架构，结合了关键的领域知识修改和传统的基准解决方案，为这个复杂且普遍存在的问题建立了基线性能指标。通过对八种不同信号混合类型的大规模仿真，我们证明了UNet和WaveNet等架构在性能上（在某些情况下，高出两个数量级）优于匹配滤波和线性最小均方误差估计等传统方法。我们的发现表明，数据驱动的方法可以产生可扩展的解决方案，即相同的架构可以类似地针对不同类型的信号进行训练和部署。此外，这些发现进一步证实了深度学习算法在增强通信系统方面的巨大潜力，特别是在干扰缓解方面。这项工作还包括基于RF挑战赛的公开竞赛结果，该竞赛在2024年IEEE国际声学、语音与信号处理会议（ICASSP'24）上举办。
引用
@article{arxiv.2409.08839,
title = {RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge},
author = {Alejandro Lancho and Amir Weiss and Gary C. F. Lee and Tejas Jayashankar and Binoy Kurien and Yury Polyanskiy and Gregory W. Wornell},
journal= {arXiv preprint arXiv:2409.08839},
year = {2025}
}
备注
17 pages, 16 figures. Footnote about test set leakage added