संयुक्त स्पेक्ट्रम में सिग्नल पहचान और वर्गीकरण: एक गहरे शिक्षण दृष्टिकोण

संयुक्त-स्पेक्ट्रम नेटवर्क में सिग्नल प्रकार की सटीक पहचान संसाधनों के प्रभावी आवंटन और निष्पक्ष सह-अस्तित्व के लिए महत्वपूर्ण है। इसका उपयोग टकराव से बचने और सिस्टम थ्रूपुट को सुधारने के लिए प्रसारण अवसरों की अनुसूची बनाने में किया जा सकता है, विशेष रूप से जब वातावरण तेजी से बदलता है। इस लेख में, हम सामान्य/क्वाड्रचर (I/Q) नमूनों के आधार पर सह-अस्तित्व वाले सिग्नल प्रकारों का पता लगाने के लिए गहरे न्यूरल नेटवर्क (DNNs) विकसित करते हैं, बिना उन्हें डिकोड किए। प्राप्त सिग्नल के नमूनों के खंडों का इनपुट के रूप में उपयोग करते हुए, एक कन्वॉल्यूशनल न्यूरल नेटवर्क (CNN) और एक रिकारंट न्यूरल नेटवर्क (RNN) को संयोजित किया जाता है और श्रेणी क्रॉस-एंट्रॉपी (CE) ऑप्टिमाइज़ेशन के साथ प्रशिक्षित किया जाता है। 5-6 GHz अनधिकृत बैंड में सह-अस्तित्व वाले वाई-फाई, LTE LAA, और 5G NR-U सिग्नल के लिए वर्गीकरण के परिणाम उच्च सटीकता बताते हैं। हम वर्गीकरण सटीकता को और सुधारने के लिए I/Q अनुक्रमों का स्पेक्ट्रम विश्लेषण करते हैं। शॉर्ट-टाइम फूरियर ट्रांसफॉर्म (STFT) को लागू करके, आवृत्ति क्षेत्र में अतिरिक्त जानकारी को स्पेक्ट्रोग्राम के रूप में प्रस्तुत किया जा सकता है। तदनुसार, हम DNN के इनपुट आकार को बढ़ाते हैं। प्रस्तावित पत्ता पहचान ढांचे की प्रभावशीलता को सत्यापित करने के लिए, हम यूएसआरपी रेडियो का उपयोग करके ओवर-थे-एयर (OTA) प्रयोग करते हैं। प्रस्तावित दृष्टिकोण सिमुलेशन और हार्डवेयर प्रयोगों दोनों में सटीक वर्गीकरण हासिल कर सकता है।