Signalerkennung und -klassifizierung im geteilten Spektrum: Ein Ansatz mit tiefem Lernen

Die genaue Identifizierung des Signaltyps in geteilten Spektrumsnetzen ist entscheidend für eine effiziente Ressourcenzuteilung und ein faires Zusammenleben. Sie kann verwendet werden, um Übertragungsmöglichkeiten zu planen, um Kollisionen zu vermeiden und den Durchsatz des Systems zu verbessern, insbesondere wenn sich die Umgebung schnell ändert. In diesem Papier entwickeln wir tiefe neuronale Netzwerke (DNNs), um koexistierende Signaltypen basierend auf In-Phase/Quadratur (I/Q)-Proben zu erkennen, ohne sie zu dekodieren. Durch die Verwendung von Segmenten der Proben des empfangenen Signals als Eingabe werden ein Convolutional Neural Network (CNN) und ein Recurrent Neural Network (RNN) kombiniert und mit kategorischer Kreuzentropie (CE) optimiert. Die Klassifikationsergebnisse für koexistierende Wi-Fi-, LTE LAA- und 5G NR-U-Signale im 5-6 GHz unlizenzierte Band zeigen eine hohe Genauigkeit des vorgeschlagenen Designs. Anschließend nutzen wir die Spektralanalyse der I/Q-Sequenzen, um die Klassifikationsgenauigkeit weiter zu verbessern. Durch die Anwendung der kurzzeitigen Fourier-Transformation (STFT) können zusätzliche Informationen im Frequenzbereich als Spektrogramm dargestellt werden. Dementsprechend vergrößern wir die Eingabedimension des DNN. Um die Wirksamkeit des vorgeschlagenen Erkennungsrahmens zu überprüfen, führen wir Über-die-Luft (OTA) Experimente mit USRP-Radios durch. Der vorgeschlagene Ansatz kann sowohl in Simulationen als auch in Hardwareexperimenten eine genaue Klassifizierung erreichen.