Deep-Learned Compression for Radio-Frequency Signal Classification

下一代蜂窝通信概念依赖于大量的射频(RF)样本处理。这包括基于软件定义无线电(SDR)和用于处理频谱相关数据的人工智能框架的连接蜂窝前端的无线电接入网络(RAN)。由密集的RAN无线电单元和频谱传感器收集的RF数据可能需要联合处理以进行智能决策。将大量数据传输到AI代理可能会导致显着的带宽和延迟成本。我们提出了一种基于学习向量量化(VQ)的深度学习压缩(DLC)模型HQARF，用于压缩由6种调制类组成的RF信号的复值样本。我们正在评估HQARF对训练推断RF信号调制类的AI模型性能的影响。压缩窄带RF样本以用于训练和现场推断将允许有效使用带宽和存储进行非实时分析，并减少实时应用的延迟。在探索HQARF信号重建在调制分类任务中的有效性时，我们强调了DLC优化空间和与嵌入在HQARF中的VQ训练相关的一些开放性问题。

本文旨在解决下一代蜂窝通信概念中处理大量射频（RF）样本的问题，提出一种基于深度学习压缩模型HQARF的解决方案，以压缩6个调制类别的RF信号的复值样本，以实现对带宽和存储的有效利用。

本文提出的HQARF模型基于学习向量量化（VQ），可用于压缩RF信号的复值样本，以提高AI模型推断调制类别的性能。

本文使用DLC模型HQARF进行RF信号的压缩，并在调制分类任务中评估了HQARF信号重构的有效性。本文还探讨了DLC优化空间和与HQARF中嵌入的VQ训练相关的一些开放问题。

最近的相关研究包括：“Deep Learning for Wireless Physical Layer: Opportunities and Challenges”和“End-to-End Deep Learning of Communication Systems without a Channel Model”。