模拟时空特征提取用于用集成光子学集成的认知射频传感
Shaofu Xu1, Binshuo Liu1, Sicheng Yi1
1State Key Laboratory of Advanced Optical Communication Systems and Networks, Intelligent Microwave Lightwave Integration Innovation Center (imLic), Department of Electronic Engineering, Shanghai Jiao Tong University, Shanghai, China.
Light, science & applications
|February 14, 2024
概括
本研究介绍了一种基于光子学的新型模拟特征提取 (AFE) 系统,用于高效的认知射频 (RF) 传感. 该系统实现了高雷达目标识别精度,同时显著降低了数据采样率.
科学领域:
- 光子学 是一个光子学.
- 无线电频率 (RF) 工程
- 认知感应 认知感应
背景情况:
- 模拟特征提取 (AFE) 通过减少数据稀疏性,为认知传感提供低延迟和效率.
- 由于带宽和可编程性的电子电路限制,宽带射频应用面临AFE的挑战.
研究的目的:
- 引入基于光子学的方案,用于从宽带射频信号中提取模拟领域的时空特征.
- 开发一种可训练的光子特征提取器,使用由卷积神经网络启发的集成光子电路.
- 提出一个数字-模拟-混合传输学习方法,以提供高效和成本效益的培训.
主要方法:
- 在集成光子电路上实现一个卷积神经网络启发的特征提取器.
- 处理多天线射频信号以提取模拟领域的时间和空间特征.
- 使用数字-模拟-混合转移学习方法来训练光子系统.
主要成果:
- 演示了一个光子模拟特征提取器用于雷达目标识别,具有4GHz即时带宽.
- 实现了97.5%的目标识别精度,保持了高性能.
- 将所需的模拟数字转换器 (ADC) 采样率降低到尼奎斯特率的1/4.
结论:
- 拟议的基于光子 AFE 方案有效处理宽带射频信号.
- 这种方法可以实现高效的认知射频传感,适用于自动驾驶,机器人和智能工厂.
- 可训练的光子提取器和混合学习方法为先进的射频信号处理提供了有前途的途径.
