用于下一代信号分类的自监督射频信号表示学习与深度学习
网络与互联网体系结构
2022-11-02 v2 人工智能
计算机视觉与模式识别
机器学习
信号处理
摘要
深度学习（DL）在无线领域有着丰富的应用，以提高频谱感知能力。通常，DL模型要么按照统计分布随机初始化，要么以迁移学习的形式在来自其他领域的任务上进行预训练，而没有考虑到无线信号的独特特性。自监督学习（SSL）能够从射频（RF）信号本身学习有用的表示，即使只有有限的带标签训练数据样本可用。我们提出了一种自监督的RF信号表示学习方法，并通过专门制定一组变换来捕捉无线信号特性，将其应用于自动调制识别（AMR）任务。我们表明，通过学习SSL的信号表示，AMR的样本效率（达到特定性能所需的标记样本数量）可以显著提高（几乎一个数量级）。这转化为大量的时间和成本节省。此外，与最先进的DL方法相比，SSL提高了模型精度，并在有限的训练数据可用时保持了高精度。
引用
@article{arxiv.2207.03046,
title = {Self-Supervised RF Signal Representation Learning for NextG Signal Classification with Deep Learning},
author = {Kemal Davaslioglu and Serdar Boztas and Mehmet Can Ertem and Yalin E. Sagduyu and Ender Ayanoglu},
journal= {arXiv preprint arXiv:2207.03046},
year = {2022}
}
备注
5 pages, 3 figures, 3 tables