CN111264033B - 用无线电信号变换器学习无线电信号的方法、***和装置 - Google Patents
用无线电信号变换器学习无线电信号的方法、***和装置 Download PDFInfo
- Publication number
- CN111264033B CN111264033B CN201880037560.0A CN201880037560A CN111264033B CN 111264033 B CN111264033 B CN 111264033B CN 201880037560 A CN201880037560 A CN 201880037560A CN 111264033 B CN111264033 B CN 111264033B
- Authority
- CN
- China
- Prior art keywords
- neural network
- radio signals
- output data
- data
- radio
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/0003—Software-defined radio [SDR] systems, i.e. systems wherein components typically implemented in hardware, e.g. filters or modulators/demodulators, are implented using software, e.g. by involving an AD or DA conversion stage such that at least part of the signal processing is performed in the digital domain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Circuits Of Receivers In General (AREA)
Abstract
本发明涉及包含编码于存储媒体上以用于处理无线电信号的计算机程序的方法、***及设备。在一个方面中,揭示一种包含处理器及存储装置的***,所述存储装置存储包含若干操作的计算机代码。所述操作可包含:基于第一神经网络处理所接收无线电信号而获得由所述第一神经网络产生的第一输出数据;由信号变换器接收包含(i)所述所接收无线电信号及(ii)所述第一输出数据的第二输入数据集合;由所述信号变换器通过将一或多个变换应用于所述所接收无线电信号而产生表示经变换无线电信号的数据;将表示所述经变换无线电信号的所述数据提供到第二神经网络;获得由所述第二神经网络产生的第二输出数据;及基于所述第二输出数据而确定描述所述所接收无线电信号的信息集合。
Description
相关申请案交叉参考
此申请案主张2017年5月3日提出申请且标题为“用于改进具有无线电变换器网络的基于学习的无线电通信及感测***的性能的***及方法(System and Method forImproving Performance of Learning Based Radio Communications and SensingSystems with Radio Transformer Networks)”的美国临时专利申请案第62/500,836号的权益,所述美国临时专利申请案以其全文引用的方式并入本文中。
背景技术
机器学习模型在无线电应用中正变得越来越普遍。此类***将机器学习技术与硬件无线电组件耦合以将单个无线电信号的取样迅速转换成有用信息,例如信息位、人类可理解的标记或其它类型的信息。
然而,此类旧有***已经配置以在部署时依赖于对变换的人为配置而处理所有类型的无线电信号及无线电信号参数,且无法容易地经优化以用于改变信号或信道参数。
发明内容
根据本发明的一个创新方面,揭示一种可由一或多个装置执行的用于训练机器学习***以处理一或多个无线电信号的方法。在一个方面中,所述方法包含以下动作:将表示一或多个无线电信号的第一输入数据集合提供到第一神经网络,所述第一神经网络经配置以产生表示无线电信号的一或多个特性的估计的输出数据;基于所述第一神经网络处理所述第一输入数据集合而获得由所述第一神经网络产生的第一输出数据;由信号变换器接收包含(i)所述第一输入数据集合及(ii)由所述第一神经网络产生的所述第一输出数据的第二输入数据集合;由所述信号变换器且基于所述第二输入数据集合通过将预定变换集合中的一或多个变换应用于表示所述一或多个无线电信号的所述第一输入数据集合而产生表示经变换无线电信号的数据;将表示所述经变换无线电信号的所述数据提供到第二神经网络,所述第二神经网络经配置以基于处理表示所述经变换无线电信号的所述数据而产生描述所述一或多个无线电信号的输出数据;基于所述第二神经网络处理表示所述经变换无线电信号的所述数据而获得由所述第二神经网络产生的第二输出数据;确定基于(i)由所述第二神经网络产生的所述第二输出数据及(ii)描述所述一或多个无线电信号的目标信息的目标损失;及基于所述目标损失而调整所述第一神经网络及所述第二神经网络的相应参数。
其它版本包含对应***、设备及编码于计算机存储装置上的用以执行方法的动作的计算机程序。
这些及其它版本可任选地包含以下特征中的一或多者。举例来说,在一些实施方案中,所述第一输入数据集合为模/数转换器的数字输出,所述模/数转换器已将所述一或多个无线电信号取样到基函数中。
在一些实施方案中,所述第一输出数据表示所述一或多个无线电信号或其对应信道状态信息的一或多个特性,包含特定无线电信号的时序信息、中心频率、带宽、相位、频率及到达速度、到达方向、信道延迟响应或偏移的估计。
在一些实施方案中,所述预定变换集合包含以下各项中的一或多者:仿射变换、振荡器及混频器、滤波器应用、重新取样、子带调谐或具有滤波器抽头集合的卷积。
在一些实施方案中,以顺序序列执行所述预定变换集合中的每一变换。
在一些实施方案中,由所述第二神经网络产生的所述第二输出包含描述信号标记、调制类型、协议、无线标准、装备类型、符号值、数据位或数据代码字的数据中的一或多者。
在一些实施方案中,所述方法可进一步包含:将所述第二输出数据提供到另一装置,所述另一装置经配置以使用所述第二输出数据来调整一或多个通信***。
在一些实施方案中,所述第二输出数据由接收器处的应用程序解译以便推断关于一或多个发射器的额外信息,其中关于所述发射器的所述额外信息可包含发射器的位置、发射器的移动、发射器的行为或发射器的生活模式。
在一些实施方案中,在第一输入数据作为输入被接收之前通过使用一或多个学习神经网络或信道模拟而产生所述第一输入数据,且除了对所述第一神经网络及所述第二神经网络的所述相应参数的所述调整之外,所述目标损失还用于调整一或多个先前神经网络的参数或所述先前神经网络的模拟。
在一些实施方案中,使用所述第一神经网络与所述变换集合的组合来使所述一或多个无线电信号同步以产生表示所述一或多个所接收无线电信号的规范化经编码信息集合。
在一些实施方案中,已从所述第二输入数据集合消除围绕频率偏移、时间偏移或其它信道效应中的一或多者的阈值量的不确定性。
在一些实施方案中,多个无线电信号通信、雷达或其它信号由第一输入数据表示,且所述第一神经网络产生将所述变换集合参数化的所述第一输出数据以使用包含子带调谐、利用振荡器的混频及/或滤波的一或多个操作来提取一或多个经隔离无线电信号。
根据本发明的另一创新方面,揭示一种用以处理一或多个无线电信号的***。所述***可包含:一或多个处理器;及一或多个计算机可读媒体,其存储计算机代码,所述计算机代码在由所述一或多个处理器执行时经配置以执行多个操作。在一个方面中,所述操作可包含:将表示一或多个无线电信号的第一输入数据集合提供到第一神经网络,所述第一神经网络已经训练以产生表示无线电信号的一或多个特性的估计的输出数据;基于所述第一神经网络处理所述第一输入数据集合而获得由所述第一神经网络产生的第一输出数据;由信号变换器接收包含(i)所述第一输入数据集合及(ii)由所述第一神经网络产生的所述第一输出数据的第二输入数据集合;由所述信号变换器且基于所述第二输入数据集合通过将预定变换集合中的一或多个变换应用于表示所述一或多个无线电信号的所述第一输入数据集合而产生表示经变换无线电信号的数据;将表示所述经变换无线电信号的所述数据提供到第二神经网络,所述第二神经网络已经训练以基于处理表示所述经变换无线电信号的所述数据而产生描述所述一或多个无线电信号的输出数据;基于所述第二神经网络处理表示所述经变换无线电信号的所述数据而获得由所述第二神经网络产生的第二输出数据;及基于所述第二输出数据而确定描述所述第一输入数据集合中的一或多个无线电信号的信息集合。
其它版本包含对应方法及编码于计算机存储装置上的用以执行上文所描述的操作的动作的计算机程序。
根据本发明的另一创新方面,揭示一种用于处理无线电信号的装置。所述装置可包含:一或多个处理器;及一或多个计算机可读媒体,其存储计算机代码,所述计算机代码在由所述一或多个处理器执行时经配置以执行多个操作。在一个方面中,所述操作可包含:将表示一或多个无线电信号的第一输入数据集合提供到第一神经网络,所述第一神经网络已经训练以产生表示无线电信号的一或多个特性的估计的输出数据;基于所述第一神经网络处理所述第一输入数据集合而获得由所述第一神经网络产生的第一输出数据;由信号变换器接收包含(i)所述第一输入数据集合及(ii)由所述第一神经网络产生的所述第一输出数据的第二输入数据集合;由所述信号变换器且基于所述第二输入数据集合通过将预定变换集合中的一或多个变换应用于表示所述一或多个无线电信号的所述第一输入数据集合而产生表示经变换无线电信号的数据;将表示所述经变换无线电信号的所述数据提供到第二神经网络,所述第二神经网络已经训练以基于处理表示所述经变换无线电信号的所述数据而产生描述所述一或多个无线电信号的输出数据;基于所述第二神经网络处理表示所述经变换无线电信号的所述数据而获得由所述第二神经网络产生的第二输出数据;及基于所述第二输出数据而确定描述所述第一输入数据集合中的一或多个无线电信号的信息集合。
其它版本包含对应方法及编码于计算机存储装置上的用以执行上文所描述的操作的动作的计算机程序。
在附图、详细描述及权利要求书中较详细地描述本发明的这些及其它特征。
附图说明
图1是无线电接收器的实例的情境图,所述无线电接收器使用具有无线电变换器的机器学习***来确定建筑物中的无线发射器的数目。
图2A是不具有无线电变换器的现有技术无线电机器学习***的实例的框图。
图2B是具有无线电变换器的无线电机器学习***的实例的框图。
图3是用于训练基于神经网络的无线电信号参数估计器及学习模型的具有无线电变换器的无线电机器学习***的实例的框图。
图4是用于训练具有无线电变换器的无线电机器学习***的过程的实例的流程图。
图5是用于使用具有无线电变换器的无线电机器学习***从多个无线电信号提取信息的运行时间过程的实例的流程图。
具体实施方式
图1是无线电接收器的实例的情境图,所述无线电接收器使用具有无线电信号变换器134的机器学习***130来确定建筑物中的无线发射器的数目。
无线电机器学习***130包含无线电信号参数估计器132、信号变换器134及学习模型136。学习模型136可包含用于使用神经网络的回归或分类的模型。无线电机器学习***130可被部署于无线电信号接收器107内。将无线电机器学习***130部署到无线电信号接收器107上可包含(举例来说)跨越一或多个网络作为软件下载而将无线电机器学习***130提供到无线电信号接收器107。
通过实例方式,用户105可使用包含具有无线电信号变换器134的无线电机器学习***130的无线电信号接收器107来检测由一或多个无线电信号发射器(例如装置120、122、124)输出的无线电信号150、152、154。无线电信号接收器107可包含用于检测一或多个无线电信号的无线电信号传感器。无线电信号接收器107还可包含模/数转换器,所述模/数转换器用于产生表示已由无线电信号传感器检测到的一或多个模拟无线电信号输入的数字输出。可通过将一或多个特定模拟无线电信号取样到基函数(例如I/Q表示、OFDM副载波等等)中而产生所产生数字输出。在一些实施方案中,模/数转换器可仅将单个无线电信号数字化。在其它实施方案中,模/数转换器可将包含多个不同无线电信号的无线频谱(例如100MHz频谱)的整个部分数字化。
可将模/数转换器的输出提供到无线电信号参数估计器132。无线电信号参数估计器132可包含经训练以估计所检测无线电信号150、152、154的参数的神经网络。所展示的无线电信号从移动计算装置(例如,电话、膝上型计算机、平板计算机)发射,但还可包含嵌入式装置、工业/基础设施装置、非期望的EMI、恶意攻击者、交通工具无线电及发射无线电信号的众多其它电子装置。所检测无线电信号150、152、154的参数可包含无线电信号的任何可测量特性,例如时序信息、频率、中心频率、带宽、相位、到达速度、到达方向、偏移等等。替代地或另外,所检测无线电信号150、152、154的参数可包含与无线电信号相关联的对应信道状态信息的任何可测量特性,例如信道延迟响应。无线电信号参数估计器132的输出为表示由无线电信号接收器107检测到的一或多个无线电信号150、152、154的经估计无线电信号参数集合。
可将无线电信号参数估计器132的输出连同来自模/数转换器的表示所检测无线电信号150、152、154的原始输出一起提供到信号变换器134。信号变换器134经配置以将变换集合中的一或多个变换应用于所检测无线电信号150、152、154。一或多个变换的集合可包含(举例来说)仿射变换、振荡器及混频器/乘法器、具有滤波器抽头参数集合的卷积或能够将所检测无线电信号150、152、154的效应(例如由作用于无线电信号上的物理或其它过程或者作用于无线电发射器中的信息上的其它过程赋予的所检测无线电信号150、152、154的效应)反转的任何其它变换。信号变换器134经由使用变换而起作用以将所检测无线电信号150、152、154操纵成规范形式以供由学习模型(例如分类神经网络、回归神经网络等等)进行分析或处理。信号变换器对所检测无线电信号150、152、154的操纵通过消除使学习模型执行复杂计算以形成所检测无线电信号150、152、154中的每一者的规范形式的需要而减少对学习模型136的负担。此通过无线电接收器而导致显著性能增加,例如用于基于所检测无线电信号150、152、154而作出推断的处理电力量的减少。举例来说,通过赋予将物理现象准确地反转的适当参数变换操作,目标流形将输入映射到估计且将输出变换为学习模型输出,而非简单地尝试学习将输入直接映射到学习模型输出的流形。通过减少此复杂性,需要的训练数据更少,模型将更好地一般化,且针对训练及部署两者减少大小、权重及电力要求。
将信号变换器134的输出提供到学习模型136。学习模型136可包含回归神经网络、分类神经网络或另一其它类型的学习模型。学习模型136可经训练以提供输出138,所述输出表示可基于学习模型134从信号变换器134接收的规范化输入而被推断出的特定类型的信息。在一个实例中,学习模型136可经训练以产生输出数据138,所述输出数据指示在预定地理区域内发射无线电信号150、152、154的无线装置120、122、124的数目。在一些实施方案中,所述地理区域可包含与建筑物(例如建筑物101)相关联的区域。规范化形式的一个实例可为完全同步通信信号的规范化形式,其中星座与理想的星座点集合(例如栅格)对准,且时序与针对每一符号的离散取样时间(例如,时序、频率及相位恢复)对准。
然而,学习模型136无需如此受限制。举例来说,学习模型136还可经训练以产生不同类型的输出数据138。在一些实施方案中,举例来说,学习模型可经训练以产生指示所检测无线电信号150、152、154是包含特定类型的信号还是零向量(如果所检测无线电信号150、152、154不包含特定类型的无线电信号的话)的输出数据138,例如独热(one-hot)向量(或其它分类标记目标,例如分层标记)。
还可产生不限于本文中所陈述的实例的仍其它类型的输出数据138。举例来说,在一些实施方案中,具有变换器134的无线电机器学习***130可经配置以通过学习模型136而与其它装置共享输出数据138来帮助改进所述其它装置的相应网络。举例来说,接收器107可将由学习模型136产生的输出138提供到另一装置,所述另一装置经配置以使用输出138来调整与另一装置相关联的一或多个通信***。举例来说,被提供到另一装置的数据还可包含无线电信号或其对应信道状态信息的一或多个特性,包含特定无线电信号的时序信息、中心频率、带宽、相位、频率及到达速度、到达方向、信道延迟响应或偏移的估计。这些测量可以若干种方式来产生,包含学习网络的输出或者作为去往变换器网络的经估计参数,在所述变换器网络中,学习网络经训练以用于不同最终目标。
仍其它应用可包含将输出数据138提供到应用程序,所述应用程序可分析输出数据138并基于所述分析而推断关于一或多个无线电信号发射器的额外信息。如上文所论述,输出数据138的此分析以及推断的一个实例可包含确定发射器的数目。在其它实施方案中,可基于输出数据138而确定关于无线电信号发射器的其它属性,例如发射器的位置、发射器的移动、发射器的行为或发射器的生活模式、用于发射器中的调制及编码方法、所载运信息的类型、发生于发射器或信道中的效应等等。
具有变换器134的无线电机器学习***130还提供优于旧有***的其它优点。举例来说,具有信号变换器134的无线电机器学习***130比替代方案更快且更廉价地设计、优化、部署及操作,这是因为无线电信号参数估计器132无需以受监督方式进行训练(尽管其可替代地以此方式单独进行训练),也无需利用人工导出的估计表达式进行显示编程来针对可作为输入被提供到无线电信号参数估计器132的每一类型或若干类型的无线电信号推断出特定信号参数集合。而是,无线电信号参数估计器132使用损失进行联合训练,利用参数变换器及估计器模型基于针对输入到无线电信号参数估计器132的特定无线电信号集合的学习模型136的输出与针对和输入数据的端对端目标及学习模型的目标相关联的学习模型136的输出之间的差而确定所述损失。
图2A是不具有无线电变换器的现有技术无线电机器学习***210A的实例的框图。无线电机器学习***210A包含硬件传感器212、模/数转换器214、用于回归、分类或此两者的学习模型226以及所提取信息218。
参考图2A,硬件传感器212用于检测一或多个模拟无线电信号。硬件传感器212可包含具有放大器、滤波器、振荡器、混频器或其组合的天线。
在不具有无线电信号变换器的无线电机器学习***210A中,将无线电信号的数字版本直接提供到学习模型216中。此模型基于无线电信号的数字版本而直接产生描述传入信号的所提取信息218。此***需要学习模型216执行复杂计算以便确定如何将输入映射到无线电信号的数字版本的规范形式中。所提取信息218可在学习通信***解码器的情形中采取信息位或代码字的形式(例如在美国申请案第62/500,621号中),所述所提取信息可在感测***的情形中采取关于信号的标记信息的形式(例如在美国申请案第62/489,055号中)等等。
图2B是具有无线电变换器230的无线电机器学习***210B的实例的框图。
与图2A的无线电机器学习***210A相比,图2B提供根据本发明的具有无线电信号变换器230的无线电机器学习***210B的实例。
无线电机器学习***210B类似地经配置以使用硬件传感器212来检测一或多个模拟无线电信号。硬件传感器212可包含(举例来说)具有放大器、滤波器、振荡器、混频器或其组合的天线。然而,替代将一或多个无线电信号的数字版本直接提供到学习模型216,无线电机器学习***210B首先将一或多个无线电信号的数字版本提供到无线电信号参数估计单元220。
无线电信号参数估计器220可包含神经网络,所述神经网络经训练以估计由无线电信号参数估计器220接收的一或多个无线电信号的数字版本的参数。一或多个所接收无线电信号的参数可包含无线电信号的任何可估计特性,例如时序信息、频率、中心频率、带宽、相位、到达速度、到达方向、偏移等等。替代地或另外,所接收无线电信号的参数可包含与无线电信号相关联的对应信道状态信息的任何可估计特性,例如信道延迟响应。无线电信号参数估计器220的输出为表示或描述由无线电信号参数估计器220接收的一或多个无线电信号的所估计无线电信号参数集合。在一些实施方案中,第一神经网络可产生将变换器集合参数化的第一输出数据以使用包含子带调谐、利用振荡器的混频及/或滤波等一或多个操作来提取一或多个经隔离无线电信号。
信号变换器230经配置以接收无线电信号参数估计器220的输出以及作为输入被提供到无线电信号参数估计器220的一或多个无线电信号的数字版本。信号变换器230经配置以将来自变换集合的一或多个变换应用于由信号变换器230接收而作为去往信号变换器230的输入的一或多个无线电信号的数字版本。一或多个变换的集合可包含(举例来说)仿射变换、振荡器及混频器、具有滤波器抽头参数集合的卷积、子带调谐、空间组合、载波及时钟校正或能够将由作用于无线电信号上的物理或其它过程赋予的无线电信号的数字版本的效应反转的任何其它变换。
信号变换器230基于来自无线电信号参数估计器的所接收参数经由应用一或多个变换而起作用以将一或多个无线电信号的所接收数字版本操纵成规范形式以供由学习模型216(例如分类神经网络、回归神经网络等等)进行分析。信号变换器230对一或多个无线电信号的数字版本的操纵通过消除使学习模型执行复杂计算以形成作为去往信号变换器230的输入被接收的一或多个无线电信号的每一数字版本的规范形式的需要而减少对学习模型216的负担。
因此,无线电信号参数估计器220与信号变换器230的经组合功能性起作用以将无线电信号同步到表示无线电信号的规范化经编码信息集合(例如时间、频率及相位对准的经调制无线电星座点流)中。模拟信号的规范化形式导致消除围绕信号或信道特性(例如频率偏移、时间偏移或其它信道效应)中的一或多者的多于阈值量的不确定性。此规范化形式通过无线电接收器而导致多个性能增加,例如用于基于作为去往信号变换器的输入被接收的一或多个无线电信号的数字版本而作出推断的处理电力的减少。
可将信号变换器220的输出提供到学习模型216。另外,针对一些实施方案,信号变换器230的输出可任选地用于更新无线电信号参数估计器220的参数。学习模型220可包含回归神经网络、分类神经网络或另一其它类型的学习模型。学习模型220可经训练以产生作为输出的所提取信息218,所述所提取信息表示可基于作为输入被提供到学习模型216的信号变换器230的输出数据而被推断出的特定类型的信息。在一个实例中,学习模型216可经训练以产生输出数据138,所述输出数据指示正在预定地理区域内产生无线电信号的无线装置的数目。
然而,其它类型的所提取数据可由学习模型216产生作为输出。举例来说,由学习模型216产生的所提取信息可为描述信号标记、调制类型、协议、无线标准、装备类型、符号值、数据位、数据代码字的数据或与无线电信号相关联的任何其它分类的数据中的一或多者。
图3是用于训练基于神经网络的无线电信号参数估计器320及学习模型216的具有无线电变换器230的无线电机器学习***310的实例的框图。
在图3的实例中,无线电机器学习***310可采用各自包含一或多个神经网络的无线电信号参数估计器320及学习模型316。举例来说,每一神经网络可包含已各自分别经训练以实现无线电信号参数估计器320及学习模型316的功能性的顺序乘法、加法及任选非线性的一或多个集合。学习模型316可包含用于回归、分类或此两者的学习模型。在一些实施方案中,神经网络用于参数回归322且神经网络317用于输出信息的分类、回归或此两者。
无线电信号参数估计器320与学习模型316由信号变换器330桥接。信号变换器330经配置以作为输入而接收无线电信号参数估计器的输出及被输入到信号参数估计器320中的一或多个无线电信号的数字版本。信号变换器330经配置以作为输出而产生描述由信号变换器330作为输入所接收的一或多个无线电信号的数字版本的方面的变换或估计集合。信号变换器330通过将一或多个变换应用于由信号变换器330作为输入所接收的一或多个无线电信号的数字版本而产生一或多个无线电信号的数字版本的变换。一或多个变换的集合可包含(举例来说)仿射变换、振荡器及混频器、具有滤波器抽头参数集合的卷积或能够将一或多个所接收信号的数字版本的效应(例如由作用于一或多个所接收信号上的物理或其它过程赋予的所接收一或多个信号的效应)反转的任何其它变换。在一些实施方案中,可仅将单个变换应用于所接收信号。在其它实施方案中,可以组合方式应用上文所识别的可能变换集合中的多个变换。在一些实例中,可在应用参数变换器及/或估计器模型之前或之后另外将非参数变换(例如傅里叶(Fourier)变换)应用于数据。在一些实例中,来自第一模型的估计包括信道状态信息(CSI)的描述,且信号的规范化形式或变换或者其表示可包括可用于发射、分析、接收或其它的信号的紧凑表示。在此情形中,以此方式将CSI与内容分离以便允许更好的分析、移除随机信息及在一些情形中通过帮助从CSI移除或单独地保持不必要的随机变量而改进压缩可为非常有利的。
在一些实施方案中,可使用经配置以执行变换的神经网络来实施信号变换器。在此类实施方案中,第三神经网络332经配置使得这些变换在第三神经网络332内执行,所述第三神经网络桥接用于实施无线电信号参数估计器320的第一神经网络322与经配置以使用分类、回归或此两者来实施学习模型316的第二神经网络317。第三神经网络332使用由第三神经网络产生的输出来桥接第一神经网络322与第二神经网络317,基于去往第三神经网络的输入而产生所述输出,所述输入包含由模/数转换器214产生的一或多个所接收无线电信号的数字版本及第一神经网络322的输出。第一神经网络322的输出包含针对一或多个无线电信号的数字版本的所估计无线电信号参数。在一些实例中,此信号变换器神经网络的权重或网络参数可在估计器模型及学习模型的训练期间被冻结或不变地用于对先前任务的训练,或者所述权重或网络参数可被联合地学习,任选地利用先前已知权重来帮助进行优化。
所估计无线电信号参数可包含无线电信号的任何可测量或可估计特性,例如时序信息、频率、中心频率、带宽、相位、到达速度、到达方向、偏移等等。替代地或另外,所估计无线电信号参数可包含与无线电信号相关联的对应信道状态信息的任何可测量或可估计特性,例如信道脉冲响应或电力延迟响应。使用这些所估计参数通过针对每一参数的变换而对一或多个无线电信号的数字版本进行变换以产生经变换信号,将所述经变换信号馈送到学习模型316以产生有用的所提取信息(318)。参数变换经编制以便允许误差梯度从输出到权重及输入的差异化及后向传播。
因此,无线电信号参数估计器320的神经网络322与信号变换器330的神经网络332的经组合功能性起作用以将无线电信号同步到表示或描述无线电信号的方面的规范化经编码信息集合(例如时间及频率对准的经调制无线电星座点流)中。模拟信号的规范化形式导致消除围绕信号或信道特性(例如频率偏移、时间偏移或其它信道效应)中的一或多者的多于阈值量的不确定性。此规范化形式通过无线电接收器而导致多个性能增加,例如用于基于作为去往信号变换器的输入被接收的一或多个无线电信号的数字版本而作出推断的处理电力的减少。
将由信号变换器作为输出所产生的经变换信号提供到学习模型316。在一些实施方案中,学习模型316可包含神经网络317,所述神经网络经训练以用于分类或回归且经配置以采用经变换信号作为输入。在此类实施方案中,可通过神经网络317而将作为去往神经网络317的输入所接收的经变换信号映射到输出信息318。目标损失340可使用多种损失确定方法(例如均方误差、交叉熵或其它距离度量)来计算且基于输出信息318及针对已知模拟无线电输入205的目标输出信息307而形成,由模/数转换器214根据所述已知模拟无线电输入而产生一或多个无线电信号的数字版本。
目标损失可用于计算梯度,所述梯度穿过学习模型的神经网络317、信号变换器的神经网络332及无线电信号参数估计器的神经网络322而后向传播(经由图3中的从目标损失340延伸到学习模型的神经网络317、信号变换器的神经网络及无线电信号参数估计器的神经网络322的箭头所展示)以获得参数更新且动态地优化这些模型中的每一者来使目标损失340最小化。在一些实施方案中,可通过使用一或多个先前学习神经网络或信道模拟而产生模拟无线电输入205且除了目标损失穿过学习模型的神经网络317、信号变换器的神经网络332及无线电信号参数估计器的神经网络322的后向传播(经由图3中的箭头所展示)之外,目标损失函数可另外调整一或多个先前神经网络的参数或所述先前神经网络中的一或多者的模拟。所计算变体的反向传播因此导致改进整个***的性能、改进信号标记准确性及/或改进学习通信***接收器内的位错误率或符号错误率。
图4是用于训练具有无线电变换器的无线电机器学习***的过程400的实例的流程图。一般来说,过程400可包含:将表示特定无线电信号的第一输入数据集合提供到经训练以估计一或多个无线电信号的特性的第一神经网络(410);获得由第一神经网络产生的第一输出数据(420);由信号变换器接收包含(i)第一输入数据集合及(ii)由第一神经网络产生的第一输出数据的第二输入数据集合(430);由信号变换器且基于第二输入数据集合产生表示经变换无线电信号的数据(440);将表示经变换无线电信号的数据提供到已经训练以产生描述无线电信号的输出数据的第二神经网络(450);获得由第二神经网络产生的第二输出数据(460);确定基于(i)第二输出数据及(ii)描述特定无线电信号的目标信息的目标损失(470);及基于目标损失而调整第一神经网络及第二神经网络的相应参数(480)。下文将过程400描述为由接收器执行,描述前述神经网络的功能性的计算机程序代码存储于所述接收器上且经执行以实现由过程400描述的功能性。
更详细地,接收器可开始执行过程400以通过将表示特定无线电信号的第一输入数据集合提供410到经训练以估计无线电信号的特性的第一神经网络(410)而训练具有无线电变换器的无线电机器学习***。表示特定无线电信号的第一输入数据集合可包含由接收器的天线检测到的模拟信号的数字表示。可通过将一或多个特定模拟无线电信号取样到基函数(例如I/Q表示、OFDM副载波等等)中而产生模拟信号的数字表示。在一些实施方案中,第一输入数据集合所基于的模拟无线电信号可包含多个无线电信号通信、雷达或所接收的其它信号。
第一神经网络可包含已经训练以估计模拟无线电信号的数字表示的特性的神经网络。替代地或另外,第一神经网络还可经训练以估计与无线电信号相关联的对应信道状态信息的特性,例如信道延迟响应。在一些实例中,此估计网络可独立地经训练以将输入数据映射到描述信号的各种方面(例如频率、相位、时序、延迟分布曲线或速度信息)的已知测量集合。
接收器可获得420由第一神经网络产生的第一输出数据。第一输出数据可包含表示无线电信号的任何可测量或可估计特性(例如时序信息、频率、中心频率、带宽、相位、到达速度、到达方向、偏移等等)的数据。替代地或另外,第一输出数据还可包含与无线电信号相关联的对应信道状态信息的任何可测量或可估计特性,例如信道延迟响应。
接收器可使用信号变换器来接收430包含(i)第一输入数据集合及(ii)由第一神经网络产生的第一输出数据的第二输入数据集合。第一输入数据集合可包含表示特定无线电信号的数据、可包含由接收器的天线检测到的模拟信号的数字表示。由第一神经网络产生的第一输出数据可包含表示无线电信号的任何可测量或可估计特性(例如时序信息、频率、中心频率、带宽、相位、到达速度、到达方向、偏移等等)的数据。替代地或另外,第一输出数据还可包含与无线电信号相关联的对应信道状态信息的任何可测量或可估计特性,例如信道延迟响应。
接收器可使用信号变换器且基于第二输入数据集合来产生440表示经变换无线电信号的数据。信号变换器可通过应用多个变换的集合中的一或多个变换而产生经变换无线电信号。多个变换的集合可包含(举例来说)仿射变换、振荡器及混频器、具有滤波器抽头参数集合的卷积或能够将一或多个无线电信号的效应(例如由作用于一或多个无线电信号上的物理或其它过程赋予的一或多个无线电信号的效应)反转的任何其它变换。
接收器可将表示经变换无线电信号的数据提供450到已经训练以产生描述无线电信号的输出数据的第二神经网络。第二神经网络可包含分类神经网络或回归神经网络。
接收器可获得460由第二神经网络产生的第二输出数据(460)。第二输出数据可包含信号标记、调制类型、协议、符号值、数据位、数据代码字等等中的一或多者。
接收器可确定470基于(i)第二输出数据及(ii)描述特定无线电信号的目标信息的目标损失。可使用例如均方误差、交叉熵或其它距离度量等方法来确定目标损失。可使用此目标损失来计算用于穿过接收器执行过程400所使用的神经网络而后向传播的梯度。接收器可基于目标损失而调整480第一神经网络及第二神经网络的相应参数(480)。
图5是用于使用具有无线电变换器的无线电机器学习***从多个无线电信号提取信息的运行时间过程500的实例的流程图。过程500类似于过程400,而无需确定损失及使用所调整损失来调整每一相应神经网络的参数。
因此,过程500一般包含:将表示特定无线电信号的第一输入数据集合提供到经训练以估计一或多个无线电信号的特性的第一神经网络(510);获得由第一神经网络产生的第一输出数据(520);由信号变换器接收包含(i)第一输入数据集合及(ii)由第一神经网络产生的第一输出数据的第二输入数据集合(530);由信号变换器且基于第二输入数据集合产生表示经变换无线电信号的数据(540);将表示经变换无线电信号的数据提供到已经训练以产生描述无线电信号的输出数据的第二神经网络(550);及获得由第二神经网络产生的第二输出数据(560)。
服务器还可经配置以部署本文中所描述的具有无线电变换器的无线电机器学习***。在此类实施例中,服务器可经配置以跨越一或多个网络提供无线电机器学习***(例如无线电机器学习***210B或无线电机器学习***310)以在装置(例如接收器)上进行存储及执行。在此类实例中,服务器可经配置以部署无线电机器学习***,所述无线电机器学习***经配置以执行上文所描述的过程400及500的每一及每个操作。类似地,服务器还可经配置以跨越一或多个网络(例如因特网)部署具有无线电变换器的无线电机器学习***,所述无线电机器学习***包含参考此说明书中所描述的图1、2B、3、4及5所描述的特征中的任一者。
此说明书中所描述的标的物、功能性操作及过程的实施例可实施于包含此说明书中所揭示的结构及其结构等效物的数字电子电路、有形地体现的计算机软件或固件、计算机硬件中或者实施于其中的一或多者的组合中。可将此说明书中所描述的标的物的实施例实施为一或多个计算机程序,即,编码于有形非易失性程序载体上供由数据处理设备执行或用以控制数据处理设备的操作的一或多个计算机程序指令模块。替代地或另外,程序指令可编码于人工产生的经传播信号(例如,机器产生的电、光学或电磁信号)上,产生所述人工产生的经传播信号来对信息进行编码以供发射到适合接收器设备以用于由数据处理设备执行。计算机存储媒体可为机器可读存储装置、机器可读存储衬底、随机或串行存取存储器装置或其中的一或多者的组合。
术语“数据处理设备”及“处理器”囊括用于处理数据的所有种类的设备、装置及机器,通过实例方式,包含可编程处理器、计算机或者多个处理器或计算机。设备或处理器可包含专用逻辑电路,例如,FPGA(现场可编程门阵列)或ASIC(专用集成电路)。除了硬件之外,设备或处理器还可包含为所讨论的计算机程序创建执行环境的代码,例如,构成处理器固件、协议堆栈、数据库管理***、操作***或其中的一或多者的组合的代码。
计算机程序(其还可被称为或描述为程序、软件、软件应用程序、模块、软件模块、脚本或代码)可以任何形式的编程语言(包含编译或解译语言,或者声明性或程序性语言)来写入,且所述计算机程序可以任何形式(包含作为独立程序或者作为模块、组件、子例程或适合用于计算环境中的其它单元)来部署。计算机程序可(但无需)对应于文件***中的文件。程序可存储于保持其它程序或数据(例如,存储于标记语言文档中的一或多个脚本)的文件的一部分中、存储于专用于所讨论的程序的单个文件中或存储于多个经协调文件(例如,存储一或多个模块、子程序或代码的若干部分的文件)中。计算机程序可经部署以在一个计算机上或者位于一个位点处或跨越多个位点分布且通过通信网络互连的多个计算机上执行。
此说明书中所描述的过程及逻辑流程可由执行一或多个计算机程序的一或多个可编程计算机执行以通过对输入数据进行操作并产生输出来执行功能。所述过程及逻辑流程还可由专用逻辑电路(例如,FPGA(现场可编程门阵列)或ASIC(专用集成电路))来执行,且还可将设备实施为所述专用逻辑电路。
适合用于计算机程序的执行的计算机包含,通过实例方式,可基于通用或专用微处理器或此两者,或者任何其它种类的中央处理单元。一般来说,中央处理单元将从只读存储器或随机存取存储器或此两者接收指令及数据。计算机的基本元件是用于执行指令的中央处理单元及用于存储指令及数据的一或多个存储器装置。一般来说,计算机还将包含用于存储数据的一或多个大容量存储装置(例如,磁盘、磁光盘或光盘),或者以操作方式耦合以从所述大容量存储装置接收数据或向所述大容量存储装置传送数据或进行此两者。然而,计算机无需具有此类装置。此外,计算机可体现于另一装置中,例如,移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏控制台、全球定位***(GPS)接收器或便携式存储装置(例如,通用串行总线(USB)快闪驱动器),仅举几例。
适合用于存储计算机程序指令及数据的计算机可读媒体包含所有形式的非易失性存储器、媒体及存储器装置,包含(通过实例方式):半导体存储器装置(例如,EPROM、EEPROM及快闪存储器装置);磁盘(例如,内部硬磁盘或可装卸式磁盘);磁光盘;以及CD-ROM及DVD-ROM盘。所述处理器及存储器可由专用逻辑电路补充或并入于所述专用逻辑电路中。
为提供与用户的交互,此说明书中所描述的标的物的实施例可实施于计算机上,所述计算机具有用于向用户显示信息的显示装置(例如,CRT(阴极射线管)、LCD(液晶显示器)、LED(发光二极管)或OLED(有机发光二极管)监视器)及所述用户可借以向计算机提供输入的键盘及指向装置(例如,鼠标、轨迹球或触摸屏)。也可使用其它种类的装置来提供与用户的交互;举例来说,提供给所述用户的反馈可为任何形式的感观反馈(例如,视觉反馈、听觉反馈或触觉反馈);且来自所述用户的输入可以任何形式(包含声音、语音或触觉输入)来接收。另外,计算机可通过向由用户使用的装置发送文档及从所述装置接收文档而与用户交互;举例来说,通过响应于从用户的用户装置上的网络浏览器接收的请求而向所述网络浏览器发送网页。
此说明书中所描述的标的物的实施例可实施于计算***中,所述计算***包含后端组件(例如,作为数据服务器);或包含中间件组件(例如,应用程序服务器);或包含前端组件(例如,具有用户可经由其与此说明书中所描述的标的物的实施方案互动的图形用户接口或网络浏览器的客户端计算机);或者一或多个此类后端、中间件或前端组件的任何组合。所述***的组件可通过任何数字数据通信形式或媒体(例如,通信网络)来互连。通信网络的实例包含局域网(“LAN”)及广域网(“WAN”),例如因特网。
所述计算***可包含客户端及服务器。客户端与服务器通常彼此远离且通常通过通信网络互动。客户端与服务器的关系是借助于在相应计算机上运行且彼此之间具有客户端-服务器关系的计算机程序而产生。
尽管此说明书含有许多特定实施方案细节,但此等细节不应解释为对可主张的内容的范围的限制,而是应解释为可为特定实施例特有的特征的描述。在单独实施例的上下文中于此说明书中描述的特定特征还可以组合方式实施于单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可单独地或以任何适合子组合形式实施于多个实施例中。此外,虽然上文可将特征描述为以特定组合形式起作用且甚至最初为如此主张的,但在一些情形中,可从所主张组合去除来自所述组合的一或多个特征,且所主张组合可针对子组合或子组合的变化形式。
类似地,尽管在图式中以特定次序描绘操作,但不应将此理解为需要以所展示的特定次序或以按顺序次序执行此类操作,或执行所有所图解说明的操作以实现合意的结果。在特定情形下,多任务及并行处理可为有利的。此外,不应将在上文所描述的实施例中的各种***组件的分离理解为在所有实施例中需要此分离,且应理解,通常可将所描述的程序组件及***一起集成于单个软件产品中或封装到多个软件产品中。
已描述标的物的特定实施例。其它实施例在所附权利要求书的范围内。举例来说,权利要求书中所陈述的行动可以不同次序来执行且仍实现合意的结果。作为一个实例,附图中所描绘的过程不需要所展示的特定次序或顺序次序来实现合意的结果。在特定实施方案下,多任务及并行处理可为有利的。可提供其它步骤或阶段,或者可从所描述过程消除若干步骤或阶段。因此,其它实施方案在所附权利要求书的范围内。
Claims (30)
1.一种用于训练机器学习***以处理一或多个无线电信号的方法,所述方法包括:
将表示一或多个无线电信号的第一输入数据集合提供到第一神经网络,所述第一神经网络经配置以产生表示无线电信号的一或多个特性的估计的输出数据;
基于所述第一神经网络处理所述第一输入数据集合而获得由所述第一神经网络产生的第一输出数据;
由信号变换器接收包含(i)所述第一输入数据集合及(ii)由所述第一神经网络产生的所述第一输出数据的第二输入数据集合;
由所述信号变换器且基于所述第二输入数据集合通过将预定变换集合中的一或多个变换应用于表示所述一或多个无线电信号的所述第一输入数据集合而产生表示经变换无线电信号的数据;
将表示所述经变换无线电信号的所述数据提供到第二神经网络,所述第二神经网络经配置以基于处理表示所述经变换无线电信号的所述数据而产生描述所述一或多个无线电信号的输出数据;
基于所述第二神经网络处理表示所述经变换无线电信号的所述数据而获得由所述第二神经网络产生的第二输出数据;
确定目标损失,所述目标损失基于(i)由所述第二神经网络产生的所述第二输出数据及(ii)描述所述一或多个无线电信号的目标信息而形成;及
基于所述目标损失而调整所述第一神经网络及所述第二神经网络的相应参数。
2.根据权利要求1所述的方法,其中所述第一输入数据集合为模/数转换器的数字输出,所述模/数转换器已将所述一或多个无线电信号取样到基函数中。
3.根据权利要求1所述的方法,其中所述第一输出数据表示所述一或多个无线电信号或其对应信道状态信息的一或多个特性,包含特定无线电信号的时序信息、中心频率、带宽、相位、频率及到达速度、到达方向、信道延迟响应或偏移的估计。
4.根据权利要求1所述的方法,其中所述预定变换集合包含以下各项中的一或多者:仿射变换、振荡器及混频器、滤波器应用、重新取样、子带调谐或具有滤波器抽头集合的卷积。
5.根据权利要求4所述的方法,其中以顺序序列执行所述预定变换集合中的每一变换。
6.根据权利要求4所述的方法,其中使用所述第一神经网络与所述预定变换集合的组合来使所述一或多个无线电信号同步以产生表示所接收的所述一或多个无线电信号的规范化经编码信息集合。
7.根据权利要求4所述的方法,其中多个无线电信号通信、雷达或其它信号由所述第一输入数据集合表示,
其中,所述第一神经网络产生所述第一输出数据以使用包含子带调谐、利用振荡器的混频及/或滤波的一或多个操作来提取一或多个经隔离无线电信号。
8.根据权利要求1所述的方法,其中由所述第二神经网络产生的所述第二输出数据包含描述信号标记、调制类型、协议、无线标准、装备类型、符号值、数据位或数据代码字的数据中的一或多者。
9.根据权利要求1所述的方法,所述方法进一步包括:
将所述第二输出数据提供到另一装置,所述另一装置经配置以使用所述第二输出数据来调整一或多个通信***。
10.根据权利要求9所述的方法,其中所述第二输出数据由接收器处的应用程序解译以便推断关于一或多个发射器的额外信息,其中关于所述发射器的所述额外信息可包含发射器的位置或发射器的移动。
11.根据权利要求1所述的方法,其中在第一输入数据集合作为输入被接收之前通过使用一或多个学习神经网络或信道模拟而产生所述第一输入数据集合,且
其中除了对所述第一神经网络及所述第二神经网络的所述相应参数的所述调整之外,所述目标损失还用于调整一或多个先前神经网络的参数或所述先前神经网络的模拟。
12.根据权利要求11所述的方法,其中已从所述第二输入数据集合消除围绕频率偏移、时间偏移或其它信道效应中的一或多者的阈值量的不确定性。
13.一种用以处理一或多个无线电信号的***,所述***包括:
一或多个处理器;及
一或多个计算机可读媒体,其存储计算机代码,所述计算机代码在由所述一或多个处理器执行时经配置以执行多个操作,所述操作包括:
将表示一或多个无线电信号的第一输入数据集合提供到第一神经网络,所述第一神经网络已经训练以产生表示无线电信号的一或多个特性的估计的输出数据;
基于所述第一神经网络处理所述第一输入数据集合而获得由所述第一神经网络产生的第一输出数据;
由信号变换器接收包含(i)所述第一输入数据集合及(ii)由所述第一神经网络产生的所述第一输出数据的第二输入数据集合;
由所述信号变换器且基于所述第二输入数据集合通过将预定变换集合中的一或多个变换应用于表示所述一或多个无线电信号的所述第一输入数据集合而产生表示经变换无线电信号的数据;
将表示所述经变换无线电信号的所述数据提供到第二神经网络,所述第二神经网络已经训练以基于处理表示所述经变换无线电信号的所述数据而产生描述所述一或多个无线电信号的输出数据;
基于所述第二神经网络处理表示所述经变换无线电信号的所述数据而获得由所述第二神经网络产生的第二输出数据;及
基于所述第二输出数据而确定描述所述第一输入数据集合中的一或多个无线电信号的信息集合。
14.根据权利要求13所述的***,其中所述第一输入数据集合为模/数转换器的数字输出,所述模/数转换器已将所述一或多个无线电信号取样到基函数中。
15.根据权利要求13所述的***,其中所述第一输出数据表示所述一或多个无线电信号或其对应信道状态信息的一或多个特性,包含特定无线电信号的时序信息、中心频率、带宽、相位、频率及到达速度、到达方向、信道延迟响应或偏移的估计。
16.根据权利要求15所述的***,其中多个无线电信号通信、雷达或其它信号由所述第一输入数据集合表示,且
其中所述第一神经网络产生所述第一输出数据以使用包含子带调谐、利用振荡器的混频及/或滤波的一或多个操作来提取一或多个经隔离无线电信号。
17.根据权利要求13所述的***,其中所述预定变换集合包含以下各项中的一或多者:仿射变换、振荡器及混频器、滤波器应用、重新取样、子带调谐或具有滤波器抽头集合的卷积。
18.根据权利要求17所述的***,其中以顺序序列执行所述预定变换集合中的每一变换。
19.根据权利要求13所述的***,其中由所述第二神经网络产生的所述第二输出数据包含描述信号标记、调制类型、协议、无线标准、装备类型、符号值、数据位或数据代码字的数据中的一或多者。
20.根据权利要求13所述的***,其中所述操作进一步包括:
将所述第二输出数据提供到另一装置,所述另一装置经配置以使用所述第二输出数据来调整一或多个通信***。
21.根据权利要求20所述的***,其中所述第二输出数据由接收器处的应用程序解译以便推断关于一或多个发射器的额外信息,其中关于所述发射器的所述额外信息可包含发射器的位置或发射器的移动。
22.根据权利要求13所述的***,其中所述操作还包括:确定目标损失,所述目标损失基于(i)由所述第二神经网络产生的所述第二输出数据及(ii)描述所述一或多个无线电信号的目标信息而形成;及基于所述目标损失而调整所述第一神经网络及所述第二神经网络的相应参数;
其中在第一输入数据集合作为输入被接收之前通过使用一或多个学习神经网络或信道模拟而产生所述第一输入数据集合,且
其中除了对所述第一神经网络及所述第二神经网络的所述相应参数的所述调整之外,所述目标损失还用于调整一或多个先前神经网络的参数或所述先前神经网络的模拟。
23.根据权利要求22所述的***,其中使用所述第一神经网络与所述预定变换集合的组合来使所述一或多个无线电信号同步或恢复以产生表示所接收的所述一或多个无线电信号的规范化经编码信息集合。
24.根据权利要求22所述的***,其中已从所述第二输入数据集合消除围绕频率偏移、时间偏移或其它信道效应中的一或多者的阈值量的不确定性。
25.一种用以处理一或多个无线电信号的装置,所述装置包括:
一或多个处理器;及
一或多个计算机可读媒体,其存储计算机代码,所述计算机代码在由所述一或多个处理器执行时经配置以执行多个操作,所述操作包括:
将表示一或多个无线电信号的第一输入数据集合提供到第一神经网络,所述第一神经网络已经训练以产生表示无线电信号的一或多个特性的估计的输出数据;
基于所述第一神经网络处理所述第一输入数据集合而获得由所述第一神经网络产生的第一输出数据;
由信号变换器接收包含(i)所述第一输入数据集合及(ii)由所述第一神经网络产生的所述第一输出数据的第二输入数据集合;
由所述信号变换器且基于所述第二输入数据集合通过将预定变换集合中的一或多个变换应用于表示所述一或多个无线电信号的所述第一输入数据集合而产生表示经变换无线电信号的数据;
将表示所述经变换无线电信号的所述数据提供到第二神经网络,所述第二神经网络已经训练以基于处理表示所述经变换无线电信号的所述数据而产生描述所述一或多个无线电信号的输出数据;
基于所述第二神经网络处理表示所述经变换无线电信号的所述数据而获得由所述第二神经网络产生的第二输出数据;及
基于所述第二输出数据而确定描述所述第一输入数据集合中的一或多个无线电信号的信息集合。
26.根据权利要求25所述的装置,其中所述第一输入数据集合为模/数转换器的数字输出,所述模/数转换器已将所述一或多个无线电信号取样到基函数中。
27.根据权利要求25所述的装置,其中所述第一输出数据表示所述一或多个无线电信号或其对应信道状态信息的一或多个特性,包含特定无线电信号的时序信息、中心频率、带宽、相位、频率及到达速度、到达方向、信道延迟响应或偏移的估计。
28.根据权利要求25所述的装置,其中所述预定变换集合包含以下各项中的一或多者:仿射变换、振荡器及混频器、滤波器应用、重新取样、子带调谐或具有滤波器抽头集合的卷积。
29.根据权利要求28所述的装置,其中以顺序序列执行所述预定变换集合中的每一变换。
30.根据权利要求25所述的装置,其中由所述第二神经网络产生的所述第二输出数据包含描述信号标记、调制类型、协议、无线标准、装备类型、符号值、数据位或数据代码字的数据中的一或多者。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110772127.5A CN113541700B (zh) | 2017-05-03 | 2018-05-03 | 用无线电信号变换器学习无线电信号的方法、***和装置 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762500836P | 2017-05-03 | 2017-05-03 | |
US62/500,836 | 2017-05-03 | ||
PCT/US2018/030923 WO2018204672A1 (en) | 2017-05-03 | 2018-05-03 | Learning radio signals using radio signal transformers |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110772127.5A Division CN113541700B (zh) | 2017-05-03 | 2018-05-03 | 用无线电信号变换器学习无线电信号的方法、***和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111264033A CN111264033A (zh) | 2020-06-09 |
CN111264033B true CN111264033B (zh) | 2021-07-20 |
Family
ID=62636257
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110772127.5A Active CN113541700B (zh) | 2017-05-03 | 2018-05-03 | 用无线电信号变换器学习无线电信号的方法、***和装置 |
CN201880037560.0A Active CN111264033B (zh) | 2017-05-03 | 2018-05-03 | 用无线电信号变换器学习无线电信号的方法、***和装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110772127.5A Active CN113541700B (zh) | 2017-05-03 | 2018-05-03 | 用无线电信号变换器学习无线电信号的方法、***和装置 |
Country Status (4)
Country | Link |
---|---|
US (3) | US10296831B2 (zh) |
EP (1) | EP3635872A1 (zh) |
CN (2) | CN113541700B (zh) |
WO (1) | WO2018204672A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10582401B2 (en) * | 2016-03-08 | 2020-03-03 | Aurora Insight Inc. | Large scale radio frequency signal information processing and analysis system |
US10944440B2 (en) | 2018-04-11 | 2021-03-09 | Booz Allen Hamilton Inc. | System and method of processing a radio frequency signal with a neural network |
EP3633944B1 (en) * | 2018-10-04 | 2021-07-28 | Nokia Solutions and Networks Oy | Method and apparatus for signal processing with neural networks |
CN109711437A (zh) * | 2018-12-06 | 2019-05-03 | 武汉三江中电科技有限责任公司 | 一种基于yolo网络模型的变压器部件识别方法 |
US11871244B2 (en) | 2020-02-27 | 2024-01-09 | CACI, Inc.—Federal | Primary signal detection using distributed machine learning in multi-area environment |
US12013484B2 (en) * | 2020-05-20 | 2024-06-18 | Infineon Technologies Ag | Radar receiving system and method for compensating a phase error between radar receiving circuits |
WO2022203761A2 (en) * | 2021-01-28 | 2022-09-29 | DeepSig Inc. | Estimating direction of arrival of electromagnetic energy using machine learning |
CN112884052A (zh) * | 2021-02-26 | 2021-06-01 | 北京激浊扬清文化科技有限公司 | 结构模态参数提取方法、装置、计算机设备及存储介质 |
CN114157539B (zh) * | 2022-02-10 | 2022-05-10 | 南京航空航天大学 | 一种数据知识双驱动的调制智能识别方法 |
EP4266634A1 (en) * | 2022-04-20 | 2023-10-25 | Nokia Solutions and Networks Oy | Apparatus and method for channel frequency response estimation |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5297232A (en) * | 1991-10-30 | 1994-03-22 | Westinghouse Electric Corp. | Wireless neural network and a wireless neural processing element |
EP2538553A1 (en) * | 2011-06-21 | 2012-12-26 | Alcatel Lucent | Apparatus and method for mitigating impairments of a transmit signal |
US8494464B1 (en) * | 2010-09-08 | 2013-07-23 | Rockwell Collins, Inc. | Cognitive networked electronic warfare |
CN104756474A (zh) * | 2012-07-13 | 2015-07-01 | 适应性频谱和信号校正股份有限公司 | 用于通信链路性能估计的方法和*** |
CN105122279A (zh) * | 2013-03-06 | 2015-12-02 | 微软技术许可有限责任公司 | 在识别***中保守地适配深度神经网络 |
CN105760933A (zh) * | 2016-02-18 | 2016-07-13 | 清华大学 | 卷积神经网络的逐层变精度定点化方法及装置 |
CN106126807A (zh) * | 2016-06-22 | 2016-11-16 | 北京邮电大学 | 一种基于大数据挖掘的无线信道建模方法 |
CN106250986A (zh) * | 2015-06-04 | 2016-12-21 | 波音公司 | 用于机器学习的高级分析基础构架 |
CN106537420A (zh) * | 2014-07-30 | 2017-03-22 | 三菱电机株式会社 | 用于转换输入信号的方法 |
CN106535133A (zh) * | 2016-11-11 | 2017-03-22 | 天津大学 | 一种基于机器学习的蜂窝网络中室内话务精确定位方法 |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE470372B (sv) * | 1992-06-23 | 1994-01-31 | Ericsson Telefon Ab L M | Metod jämte anordning att uppskatta kvaliten vid ramfelsdetektering i mottagaren hos ett radiokommunikationssystem |
US9134398B2 (en) * | 1996-09-09 | 2015-09-15 | Tracbeam Llc | Wireless location using network centric location estimators |
WO2001013141A2 (en) * | 1999-08-12 | 2001-02-22 | Automotive Systems Laboratory, Inc. | Neural network radar processor |
JP3755352B2 (ja) * | 1999-09-29 | 2006-03-15 | セイコーエプソン株式会社 | スペクトラム拡散信号処理装置及びスペクトラム拡散通信システム |
JP2004535023A (ja) * | 2001-07-06 | 2004-11-18 | コンピュータ アソシエイツ シンク,インコーポレイテッド | オブジェクトベースのクラスタを管理するためのシステム及び方法 |
US7593535B2 (en) * | 2006-08-01 | 2009-09-22 | Dts, Inc. | Neural network filtering techniques for compensating linear and non-linear distortion of an audio transducer |
US20090124241A1 (en) * | 2007-11-14 | 2009-05-14 | Qualcomm Incorporated | Method and system for user profile match indication in a mobile environment |
US20120149412A1 (en) * | 2010-12-10 | 2012-06-14 | Futurewei Technologies, Inc. | System and Method for Interference Control in Simultaneous Transmission Systems |
US8706785B2 (en) * | 2011-02-15 | 2014-04-22 | Samsung Electronics Co., Ltd. | Communication system with signal processing mechanism and method of operation thereof |
US9213937B2 (en) * | 2011-09-21 | 2015-12-15 | Brain Corporation | Apparatus and methods for gating analog and spiking signals in artificial neural networks |
US20130289944A1 (en) * | 2012-04-25 | 2013-10-31 | Ghassan Ayesh | System and method for signal processing |
US9182473B2 (en) * | 2012-05-10 | 2015-11-10 | Lear Corporation | System, method and product for locating vehicle key using neural networks |
US9052896B2 (en) * | 2012-07-20 | 2015-06-09 | Facebook, Inc. | Adjusting mobile device state based on user intentions and/or identity |
US10244504B2 (en) * | 2013-03-15 | 2019-03-26 | DGS Global Systems, Inc. | Systems, methods, and devices for geolocation with deployable large scale arrays |
US9270390B2 (en) * | 2014-03-28 | 2016-02-23 | Olympus Corporation | Frequency and phase offset compensation of modulated signals with symbol timing recovery |
CN103945533B (zh) * | 2014-05-15 | 2016-08-31 | 济南嘉科电子技术有限公司 | 基于大数据的无线实时位置定位方法 |
US9681270B2 (en) * | 2014-06-20 | 2017-06-13 | Opentv, Inc. | Device localization based on a learning model |
CN104569907B (zh) * | 2014-09-04 | 2017-05-17 | 深圳市金溢科技股份有限公司 | 基于神经网络的无线定位方法、***及路侧单元 |
CN104869060B (zh) * | 2015-05-18 | 2018-03-30 | 南京邮电大学 | 基于粒子群优化算法和蚁群优化算法的频谱感知方法 |
CN105699993B (zh) * | 2016-02-01 | 2017-10-31 | 东南大学 | 载波环路自适应跟踪方法、自适应载波跟踪环路 |
CN105915299B (zh) * | 2016-03-16 | 2018-08-14 | 重庆邮电大学 | Ism频段中基于时频二维lmbp神经网络的频谱预测方法 |
CN105743523A (zh) * | 2016-03-22 | 2016-07-06 | 广州视源电子科技股份有限公司 | 信号过滤方法和*** |
US11288573B2 (en) * | 2016-05-05 | 2022-03-29 | Baidu Usa Llc | Method and system for training and neural network models for large number of discrete features for information rertieval |
US10313164B2 (en) * | 2016-09-27 | 2019-06-04 | Bae Systems Information And Electronic Systems Integration Inc. | Techniques for implementing a portable spectrum analyzer |
US11735197B2 (en) * | 2020-07-07 | 2023-08-22 | Google Llc | Machine-learned differentiable digital signal processing |
WO2022036105A1 (en) * | 2020-08-12 | 2022-02-17 | DeepSig Inc. | Systems and methods for detecting and classifying drone signals |
-
2018
- 2018-05-03 WO PCT/US2018/030923 patent/WO2018204672A1/en unknown
- 2018-05-03 CN CN202110772127.5A patent/CN113541700B/zh active Active
- 2018-05-03 EP EP18732178.1A patent/EP3635872A1/en active Pending
- 2018-05-03 US US15/970,510 patent/US10296831B2/en active Active
- 2018-05-03 CN CN201880037560.0A patent/CN111264033B/zh active Active
-
2019
- 2019-05-20 US US16/416,921 patent/US11468317B2/en active Active
-
2022
- 2022-10-07 US US17/962,007 patent/US20230136529A1/en active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5297232A (en) * | 1991-10-30 | 1994-03-22 | Westinghouse Electric Corp. | Wireless neural network and a wireless neural processing element |
US8494464B1 (en) * | 2010-09-08 | 2013-07-23 | Rockwell Collins, Inc. | Cognitive networked electronic warfare |
EP2538553A1 (en) * | 2011-06-21 | 2012-12-26 | Alcatel Lucent | Apparatus and method for mitigating impairments of a transmit signal |
CN104756474A (zh) * | 2012-07-13 | 2015-07-01 | 适应性频谱和信号校正股份有限公司 | 用于通信链路性能估计的方法和*** |
CN105122279A (zh) * | 2013-03-06 | 2015-12-02 | 微软技术许可有限责任公司 | 在识别***中保守地适配深度神经网络 |
CN106537420A (zh) * | 2014-07-30 | 2017-03-22 | 三菱电机株式会社 | 用于转换输入信号的方法 |
CN106250986A (zh) * | 2015-06-04 | 2016-12-21 | 波音公司 | 用于机器学习的高级分析基础构架 |
CN105760933A (zh) * | 2016-02-18 | 2016-07-13 | 清华大学 | 卷积神经网络的逐层变精度定点化方法及装置 |
CN106126807A (zh) * | 2016-06-22 | 2016-11-16 | 北京邮电大学 | 一种基于大数据挖掘的无线信道建模方法 |
CN106535133A (zh) * | 2016-11-11 | 2017-03-22 | 天津大学 | 一种基于机器学习的蜂窝网络中室内话务精确定位方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2018204672A1 (en) | 2018-11-08 |
US20230136529A1 (en) | 2023-05-04 |
US11468317B2 (en) | 2022-10-11 |
US20180322389A1 (en) | 2018-11-08 |
US20190340506A1 (en) | 2019-11-07 |
CN111264033A (zh) | 2020-06-09 |
US10296831B2 (en) | 2019-05-21 |
EP3635872A1 (en) | 2020-04-15 |
CN113541700A (zh) | 2021-10-22 |
CN113541700B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111264033B (zh) | 用无线电信号变换器学习无线电信号的方法、***和装置 | |
EP3418948B1 (en) | Data transmission network configuration | |
JP6758524B2 (ja) | 適応的無線通信の学習とデプロイメント | |
US10033797B1 (en) | Terminal emulation over HTML | |
CN104601642A (zh) | 实时路况分享方法、装置及*** | |
WO2018211141A1 (en) | Imagination-based agent neural networks | |
US20220027761A1 (en) | Typhoon trajectory prediction method, device, electronic equipment and computer readable medium | |
JP2022534603A (ja) | 通信システムにおける学習 | |
Chen et al. | Adaptive RTO for handshaking-based MAC protocols in underwater acoustic networks | |
AU2016278958B2 (en) | System and method for event detection using streaming signals | |
Farhadi et al. | A supervisory control policy over an acoustic communication network | |
CN104734840A (zh) | 信号定时 | |
CN111212472B (zh) | 一种误差的控制方法、装置及计算机可读存储介质 | |
KR20190117181A (ko) | 학습 기반 무선 고주파 아날로그 회로의 부정합 보상 방법 및 장치 | |
JP2024522352A (ja) | 機械学習ネットワークを使用した可変通信チャネル応答の生成 | |
US20220284353A1 (en) | Methods and apparatus to train a machine learning model | |
Rizzello et al. | Reverse ordering techniques for attention-based channel prediction | |
WO2018142408A1 (en) | Navigation systems and methods | |
CN110430033B (zh) | 一种水下声学传感器网络的相位同步方法及装置 | |
CN115817163B (zh) | 车辆轮速调整方法、装置、电子设备和计算机可读介质 | |
EP3311237B1 (en) | System and method for event detection using streaming signals | |
Shtokhov et al. | On the method of group polling upon the independent activity of sensors in unsynchronized wireless monitoring networks | |
JP7223935B2 (ja) | 無線通信装置、無線通信システム及び無線通信方法 | |
US20230155704A1 (en) | Generative wireless channel modeling | |
US20220319162A1 (en) | Bayesian compute unit with reconfigurable sampler and methods and apparatus to operate the same |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |