Abstract
次世代セルラー概念における大量RFサンプル処理、AI処理枠組み、HQARFモデルに基づくDLC提案、6つの変調クラスからなるRF信号の複素値サンプルを圧縮し、AIモデル性能評価。
RAN無線ユニットとスペクトラムセンサーによって収集されたRFデータを効果的に使用するためのDLC最適化空間探索、VQトレーニング関連問題。
HAEからVQ-VAEまでの階層的アーキテクチャ、情報理論に基づく損失圧縮と再構成、EfficientNet分類器での評価結果。
Stats
RFサンプル長Nシンボル列を入力として取り、最小ビット表現を見つける。
情報エントロピーに基づくレートR = n/Nビット/シンボル。
圧縮比r•が分類精度に与える影響を分析。
6Modデータセットは6つの変調クラスからなり、1024個の複素値サンプルで構成されている。
VQ-VAEは3つのモジュール(エンコーダーE、ベクトル量子化器Q、デコーダーD)で構成されている。
Quotes
"Data reconstruction from lossy compression incurs a loss of information when the information rate in bits drops below the theoretical lossless minimum."
"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."
"Machine-learning-based modulation classification is an important part of the RF machine learning (RFML) used in spectrum management, electronic warfare, interference detection and threat analysis."