Spatially Distributed Task-Oriented Compression for Multi-Emitter Localization and Characterization with Spectral Overlap

Technische Samenvatting: Ruimtelijk verdeelde taakgerichte compressie voor multi-emitter lokalisatie en karakterisering met spectrale overlap

Probleemstelling
Het artikel behandelt de uitdaging van RF-spectrumbewustzijn (Radio Frequency) in dichte, betwiste draadloze omgevingen waar ongeautoriseerde of vijandige emittenten kritieke infrastructuur kunnen verstoren. Hoewel een enkele ontvanger interferentie kan detecteren, ontbreken de ruimtelijke informatie die nodig is om meerdere gelijktijdige emittenten te lokaliseren en te karakteriseren, met name wanneer hun spectra overlappen. Gedistribueerde detectie met behulp van ruimtelijk gescheiden ontvangers biedt een oplossing door gebruik te maken van ruimtelijke diversiteit. Het doorsturen van ruwe complexe in-fase en kwadratuur (IQ) monsters van meerdere ontvangers naar een centraal fusiecentrum legt echter een verbodsbepalende druk op de communicatiebandbreedte, vooral bij breedbanddetectie. Het kernprobleem is het ontwerpen van een communicatie-efficiënt framework dat de lokale observaties van ontvangers comprimeert tot compacte representaties, terwijl voldoende informatie behouden blijft voor een centrale decoder om het aantal, de locaties, de spectrale parameters en de golfvormfamilies van actieve emittenten gezamenlijk te schatten.

Methodologie
De auteurs stellen een taakgericht gedistribueerd compressieframework voor dat gebruikmaakt van deep learning. Het systeem bestaat uit $M$ ruimtelijk verdeelde ontvangers en een centrale fusie-decoder.

1. Lokale Codering: Elke ontvanger observeert een kort venster van complexe IQ-monsters. Deze monsters worden getransformeerd naar een tijd-frequentie-representatie met behulp van de Short-Time Fourier Transform (STFT), waarbij de reële en imaginaire componenten als inputkanalen worden gestapeld. Een lokale neurale encoder (een residuele convolutionele netwerk met asymmetrische downsampling) brengt deze representatie in kaart naar een laag-dimensionale latente vector $z_i \in \mathbb{R}^{d_{rx}}$. Cruciaal is dat hoewel alle ontvangers dezelfde architectuur delen, hun parameters niet gedeeld worden, waardoor ze ontvanger-specifieke representaties kunnen leren op basis van hun vaste geometrische posities.
2. Centrale Fusie en Set-voorspelling: Het fusiecentrum concateneert de latente vectoren van alle ontvangers in een vaste volgorde. Een centrale Multi-Layer Perceptron (MLP) decoder verwerkt deze gefuseerde vector om een ongeordende verzameling van actieve emittenten te voorspellen. De output is gestructureerd in $K_{max}$ kandidaat-slots, waarbij elk slot een existentie-logit, een 2D-locatie, een centrumfrequentie-offset, een bezette bandbreedte en een binaire waveform-familie label voorspelt.
3. Permutatie-invariante Training: Omdat het aantal actieve emittenten $K$ onbekend is en hun volgorde willekeurig is, hanteert het model een permutatie-invariante trainingsdoelstelling. De verliesfunctie minimaliseert de distantie tussen de voorspelde verzameling en de grondwaarheid-verzameling door een optimale toewijzing (permutatie) te vinden die de totale kosten minimaliseert. De kostenfunctie combineert binary cross-entropy voor existentie en waveform-classificatie met Smooth L1 loss voor continue parameterregressie (locatie, frequentie, bandbreedte).

Belangrijkste Bijdragen

• Gezamenlijk Schattingsframework: Dit werk formuleert gedistribueerde spectrumbewustzijn als een gezamenlijk emitter-set schattingsprobleem, waarbij simultaan cardinaliteit, ruimtelijke locaties, spectrale parameters (centrumfrequentie, bandbreedte) en waveform-families worden afgeleid uit gecomprimeerde IQ-observaties.
• Taakgerichte Neurale Compressie: Het stelt een specifieke neurale architectuur voor waarbij de zijde van de ontvanger compacte latents produceert die expliciet zijn ontworpen voor de downstream inferentie-taak in plaats van voor de reconstructie van het ruwe signaal, conform het principe van de gedistribueerde informatie-bottleneck.
• Afhandeling van Ongeordende Verzamelingen: De toepassing van een permutatie-invariante doelstelling maakt het systeem in staat om scenario's met variërende aantallen emittenten en willekeurige ordening te verwerken, inclusief scenario's met gedeeltelijk of sterk overlappende spectra.
• Dimensionaliteitsanalyse: De studie evalueert systematisch de afruil tussen de dimensie van de latente vector aan de ontvangerzijde ($d_{rx}$) en de nauwkeurigheid van de schatting voor cardinaliteit, lokalisatie en spectrale parameters.

Experimentele Resultaten
Experimenten werden uitgevoerd op synthetische multi-emitter scenario's met spectrale overlap, gebruikmakend van vier vaste ontvangers en variërende maximale emitter-aantallen ($K_{max} \in \{3, 4, 5\}$).

• Impact van de Latente Dimensie: De latente dimensie aan de ontvangerzijde $d_{rx}$ heeft een significante impact op de prestaties. Het verhogen van $d_{rx}$ van 1 naar 16 leverde de meest substantiële verbeteringen op over alle metrieken. Specifiek daalde de lokalisatie Root Mean Square Error (RMSE) van ongeveer 238–290 m naar 102–140 m, en daalden de fouten in spectrale parameters aanzienlijk.
• Verminderde Meeropbrengst: Verdere verhoging van $d_{rx}$ naar 64 leverde kleinere, minder consistente winsten op, wat suggereert dat $d_{rx}=16$ het merendeel van de taak-relevante informatie vastlegt terwijl een hoge compressie behouden blijft.
• Taakgevoeligheid: Extreem compacte representaties ($d_{rx}=1$) waren voldoende om informatie te behouden voor het tellen van emittenten en de waveform-familie classificatie (waarbij bijna perfecte nauwkeurigheid werd bereikt), maar resulteerden in slechte prestaties voor continue parameterregressie (lokalisatie en spectrale parameters).
• Complexiteit: De prestaties verslechterden naarmate $K_{max}$ toenam, wat de verhoogde moeilijkheid weerspiegelt van het oplossen van ruimtelijke ambiguïteit en spectrale overlap.

Betekenis en Claims
Het artikel claimt dat geleerde taakgerichte compressie een levensvatbare aanpak is voor communicatie-efficiënte gedistribueerde spectrumbewustzijn. De resultaten demonstreren dat zelfs extreem compacte representaties aan de ontvangerzijde nuttige informatie kunnen behouden voor discrete taken (tellen en classificatie), terwijl matige toenames in dimensionaliteit nauwkeurige continue parameter-schatting mogelijk maken. De auteurs positioneren dit werk als een brug tussen de gedistribueerde informatie-bottleneck theorie en praktische RF-monitoring, waarbij zij aantonen dat gezamenlijke lokalisatie en karakterisering haalbaar zijn zonder het verzenden van ruwe breedbanddata.

De auteurs blijven bescheiden over de huidige reikwijdte en erkennen dat het model gekoppeld is aan vaste ontvangergeometrieën en gesimuleerde propagatiestatistieken (die gebrek hebben aan multipath, shadowing en synchronisatie-impedimenten). Zij merken op dat $d_{rx}$ een representatie van compactheid vertegenwoordigt in plaats van een expliciete bit-rate, aangezien kwantisatie en kanaaleffecten niet gemodelleerd zijn. Toekomstig werk wordt geïdentificeerd als noodzakelijk om expliciete bit-niveau beperkingen, kwantisatie en meer realistische hardware en propagatie-effecten te integreren.