Deep-Learned Compression for Radio-Frequency Signal Classification

要約

次世代の携帯電話の概念は、大量の無線周波数 (RF) サンプルの処理に依存しています。
これには、ソフトウェア無線 (SDR) に基づいてセルラー フロントエンドを接続する無線アクセス ネットワーク (RAN) とスペクトル関連データの AI 処理のフレームワークが含まれます。
インテリジェントな意思決定のために、高密度 RAN 無線ユニットとスペクトル センサーによって収集された RF データを共同処理する必要がある場合があります。
大量のデータを AI エージェントに移動すると、帯域幅と遅延コストが大幅に増加する可能性があります。
我々は、6 つの変調クラスで構成される RF 信号の複素数値サンプルを圧縮するために、学習されたベクトル量子化 (VQ) に基づいた深層学習圧縮 (DLC) モデル HQARF を提案します。
私たちは、RF 信号の変調クラスを推測するようにトレーニングされた AI モデルのパフォーマンスに対する HQARF の影響を評価しています。
トレーニングおよびオフザサイト推論用の狭帯域 RF サンプルの圧縮により、非リアルタイム分析のための帯域幅とストレージの効率的な使用が可能になり、リアルタイム アプリケーションの遅延が減少します。
変調分類タスクにおける HQARF 信号再構成の有効性を調査しながら、DLC 最適化空間と、HQARF に埋め込まれた VQ のトレーニングに関連するいくつかの未解決の問題に焦点を当てます。

要約(オリジナル)

Next-generation cellular concepts rely on the processing of large quantities of radio-frequency (RF) samples. This includes Radio Access Networks (RAN) connecting the cellular front-end based on software defined radios (SDRs) and a framework for the AI processing of spectrum-related data. The RF data collected by the dense RAN radio units and spectrum sensors may need to be jointly processed for intelligent decision making. Moving large amounts of data to AI agents may result in significant bandwidth and latency costs. We propose a deep learned compression (DLC) model, HQARF, based on learned vector quantization (VQ), to compress the complex-valued samples of RF signals comprised of 6 modulation classes. We are assessing the effects of HQARF on the performance of an AI model trained to infer the modulation class of the RF signal. Compression of narrow-band RF samples for the training and off-the-site inference will allow for an efficient use of the bandwidth and storage for non-real-time analytics, and for a decreased delay in real-time applications. While exploring the effectiveness of the HQARF signal reconstructions in modulation classification tasks, we highlight the DLC optimization space and some open problems related to the training of the VQ embedded in HQARF.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google