一、文章题目
RF 挑战：数据驱动的射频信号分离挑战
原文链接
二、摘要
本文采用数据驱动方法，利用深度学习技术解决射频（RF）信号中的干扰抑制这一关键问题。核心贡献之一是推出了 RF 挑战数据集，这是一个公开可用、多样化的射频信号数据集，适用于射频信号问题的数据分析。我们采用简化的信号模型来开发和分析干扰抑制算法，并引入了一组精心设计的深度学习架构，结合关键的领域相关修改和传统基准解决方案，为这一复杂且普遍存在的问题建立了基准性能指标。通过对八种不同信号混合类型的广泛仿真，我们证明了 UNet 和 WaveNet 等架构相较于匹配滤波和线性最小均方误差估计等传统方法，具有更优异的性能（在某些情况下性能提升两个数量级）。研究结果表明，数据驱动方法能够提供可扩展的解决方案，即相同的架构可通过类似的训练的方式部署于不同类型的信号处理。此外，这些发现进一步证实了深度学习算法在增强通信系统（尤其是通过干扰缓解）方面的巨大潜力。
三、引言
无线技术的快速普及导致射频频谱日益拥挤。虚拟现实、增强现实等新兴服务需要大量带宽才能有效运行，而超可靠低延迟通信（URLLC）和海量机器类通信（mMTC）等新应用对可靠性、延迟和能效提出了严格要求。这些需求使得干扰管理策略必须超越传统的时间和频率域资源正交化方法，无线系统需采用复杂的干扰管理技术来满足频谱上多样化且共存的需求。
传统解决方案包括过滤时频网格中的无关部分或利用多天线能力聚焦特定空间方向，但本文聚焦于干扰与目标信号（SOI）在时间和频率上均重叠、且无空间分集可利用的场景。这种场景常见于单天线设备或空间分辨率不足的多天线设备，此时需利用干扰的潜在统计结构，通过学习技术实现有效的干扰抑制。
本文将与目标信号在同一时间和频段工作的其他波形称为同信道干扰，可通过干扰缓解技术（通常是信号分离方法）降低干扰，核心目标是尽可能高保真地提取目标信号，以提升后续检测、解调和解码等任务的性能。
- 相关工作
通信系统中最简单的干扰抑制方案是使用匹配滤波器，但它仅在加性高斯白噪声（AWGN）信道下最优，面对非高斯干扰时性能欠佳。最大似然等基于模型的方法需要已知信号统计模型，在实际场景中往往难以满足，导致性能不理想。
当信号统计模型不完全已知时，数据驱动方法成为自然选择。尽管机器学习在视觉和音频领域的源分离中已显示出潜力，但射频领域存在独特挑战：射频信号由数字信号处理电路合成、源自离散随机变量，且兼具短期和长期时间相关性，再加上信号可能在时频域重叠，使得传统的手工设计模型解决方案难以奏效。
- 射频信号数据集的需求
基于机器学习的解决方案通常需要大型数据集，但射频领域的大型数据集相对稀缺。现有数据集包括 DeepSig 提供的调制检测识别数据集和 IQEngine 的射频记录分析工具包。RF 挑战数据集专为射频信号源分离设计，包含多个原始射频信号，且信号生成过程的相关信息极少，传统线性滤波技术难以实现有效分离，该数据集的公开可用性为开发新的学习方法和架构提供了支持。
- 研究贡献
本文全面介绍了用于单通道信号分离挑战的 RF 挑战数据集，核心目标包括分离目标信号与干扰、解调混合信号中的（数字）目标信号。研究从数据驱动视角出发，引入了机器学习辅助的通信系统信号处理方法，借助深度学习技术和公开信号数据集实现解决方案。研究表明，该领域开发的方法不仅能助力射频感知机器学习设备和技术的发展，还能提升带宽利用效率、促进频谱共享、改善高干扰环境下的性能，并增强系统对恶意攻击的鲁棒性。
通过大量实验结果，本文证明了数据驱动的深度学习解决方案在干扰抑制方面的显著优势，在均方误差（MSE）和误码率（BER）方面较传统信号处理方法提升了一个数量级。同时，本文还介绍了两种作为干扰缓解基准的深度学习架构，以及 ICASSP'24 信号处理挑战赛中顶尖团队的性能结果，并展望了未来缓解无线通信系统中非高斯干扰的研究方向。
- 符号说明
本文采用特定符号表示确定性和随机标量、向量、矩阵，定义了均匀分布、交叉协方差矩阵和指示函数等关键数学符号，为后续分析奠定基础。
四、方法简介
本文同时采用传统方法和数据驱动方法进行干扰抑制，并对其性能进行对比分析。
- 传统方法
•
线性最小均方误差（LMMSE）估计：利用混合信号和目标信号的二阶统计特性构建估计器，计算简便且仅需二阶统计信息，但由于线性约束，在非高斯信号场景下通常非最优。
•
匹配滤波：利用信号波形的先验知识增强符号检测，在残差分量为高斯时能最大化信噪比（SNR），是通信系统中最常用的符号检测方法之一。
•
此外，本文还将 "仅对接收信号应用匹配滤波、不进行专门干扰缓解" 作为基准方案之一，以反映实际场景中缺乏干扰统计模型时的极端情况。
- 数据驱动方法
基于前期研究洞察，本文选择 UNet 和 WaveNet 作为射频信号源分离的核心架构，并进行了领域相关修改以提升性能。
•
UNet：原用于生物医学图像分割，通过 1D 卷积层捕捉时间序列特征，将复数值信号的实部和虚部分为独立输入通道，包含下采样块、上采样块和跳跃连接。与标准架构不同，本文的 UNet 第一卷积层采用较大的核尺寸（101），以捕捉目标信号和干扰的有效相关长度，提升长时程时间结构提取能力。
•
WaveNet：最初用于音频波形合成，采用堆叠的带门控激活单元的卷积层，通过扩张卷积在不降低时间分辨率的情况下扩大时间感受野。本文对其进行修改，将复数值信号的实部和虚部拼接为双通道输入，使用 MSE 损失函数训练，并通过随机时移和相位旋转增强数据多样性，适配射频信号处理需求。
五、结论
本文展示了深度学习方法在射频信号源分离中的巨大潜力。通过数据驱动方法缓解来自其他射频发射源的强无意干扰，相较于传统手工设计方法取得了显著性能提升。广泛的仿真实验表明，UNet 和 WaveNet 等深度学习架构在多种场景下，性能均优于匹配滤波和 LMMSE 估计等传统信号处理方法。
2024 年 ICASSP 信号处理挑战赛的结果显示，要在已建立的深度学习基准之上实现显著性能提升并非易事，尤其是在涉及多载波信号的混合场景中。这些结果标志着将人工智能能力集成到接收机以增强干扰抑制的初步探索，未来还需解决深度学习模型的可解释性等理论和实践相关问题。
总体而言，本文的研究成果为射频信号分离领域提供了重要的数据集、基准架构和性能参考，激励研究界进一步探索，推动未来多应用场景下射频系统的性能提升。