RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge

要約

この論文では、最先端の AI モデルを活用した新しいデータ駆動型のアプローチを使用して、無線周波数 (RF) 信号における干渉除去の重大な問題に取り組みます。
従来、干渉除去アルゴリズムは特定のタイプの干渉に合わせて手動で調整されていました。
この取り組みでは、よりスケーラブルなデータ駆動型ソリューションが導入され、次の貢献が含まれています。
まず、干渉除去アルゴリズムの開発と分析の基盤として機能する、洞察力に富んだ信号モデルを紹介します。
次に、RF チャレンジを紹介します。これは、さまざまな RF 信号とコード テンプレートを特徴とする公開されているデータセットで、RF 信号の問題のデータ駆動型分析を容易にします。
3 番目に、新しい AI ベースの除去アルゴリズム、具体的には UNet や WaveNet などのアーキテクチャを提案し、8 つの異なる信号混合タイプにわたってそのパフォーマンスを評価します。
これらのモデルは、マッチド フィルタリングや線形最小平均二乗誤差推定などの従来の方法を超える優れたパフォーマンスをビット誤り率で最大 2 桁も実証します。
第 4 に、2024 年の IEEE 音響、音声、信号処理に関する国際会議 (ICASSP 2024) で主催された、RF チャレンジに基づくオープン コンペティションの結果を要約し、この分野での継続的な進歩の大きな可能性を強調します。
私たちの調査結果は、ディープラーニング アルゴリズムが干渉を軽減できる可能性があることを強調し、将来の研究に強力な基盤を提供します。

要約(オリジナル)

This paper addresses the critical problem of interference rejection in radio-frequency (RF) signals using a novel, data-driven approach that leverages state-of-the-art AI models. Traditionally, interference rejection algorithms are manually tailored to specific types of interference. This work introduces a more scalable data-driven solution and contains the following contributions. First, we present an insightful signal model that serves as a foundation for developing and analyzing interference rejection algorithms. Second, we introduce the RF Challenge, a publicly available dataset featuring diverse RF signals along with code templates, which facilitates data-driven analysis of RF signal problems. Third, we propose novel AI-based rejection algorithms, specifically architectures like UNet and WaveNet, and evaluate their performance across eight different signal mixture types. These models demonstrate superior performance exceeding traditional methods like matched filtering and linear minimum mean square error estimation by up to two orders of magnitude in bit-error rate. Fourth, we summarize the results from an open competition hosted at 2024 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2024) based on the RF Challenge, highlighting the significant potential for continued advancements in this area. Our findings underscore the promise of deep learning algorithms in mitigating interference, offering a strong foundation for future research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google