RFML 生态系统：将深度学习应用于射频应用所面临的独特挑战一瞥
信号处理
2020-10-02 v1
摘要
尽管深度机器学习技术如今已普遍应用于最先进的图像识别与自然语言处理应用中，但这些技术直到近年才在无线通信相关应用中足够成熟。特别是，近期研究表明深度机器学习是认知无线电应用的赋能技术，也是补充专家定义算法以用于频谱感知应用（如信号检测、估计与分类，此处称为射频机器学习，或 RFML）的有用工具。在无线通信背景下使用深度机器学习的一个主要驱动力是，只要有大量代表性数据以促进训练与评估，就几乎不需要先验的频谱环境知识。然而，除这一对充足数据的基本需求外，在将深度机器学习系统部署于真实世界无线通信应用之前，还必须考虑其他关键因素，如信任、安全性以及硬件/软件问题。本文概述并综述了与这些主要研究考量相关的先前工作。我们尤其呈现了它们在 RFML 应用空间中的独特考量，这些考量在图像、音频和/或文本应用空间中通常并不存在。
引用
@article{arxiv.2010.00432,
title = {The RFML Ecosystem: A Look at the Unique Challenges of Applying Deep Learning to Radio Frequency Applications},
author = {Lauren J. Wong and William H. Clark and Bryse Flowers and R. Michael Buehrer and Alan J. Michaels and William C. Headley},
journal= {arXiv preprint arXiv:2010.00432},
year = {2020}
}