贝叶斯推断辅助的机器学习在5G新无线电（NR）中用于近实时干扰检测和分类
摘要：5G新无线电中频谱访问的增加的灵活性和密度使干扰检测和分类成为一个关键的研究领域。为了检测共存的干扰和微妙的干扰，我们引入了一种贝叶斯推理辅助的机器学习方法。我们的方法利用在非独立式（NSA）5G NR测试平台上收集的跨层关键信令性能指标数据，利用监督学习模型，并通过基于贝叶斯网络模型（BNM）的推理进行进一步评估、校准和揭示。这些模型可以处理瞬时和顺序时序数据样本，对于各种干扰场景，瞬时模型的曲线下面积超过0.954，顺序模型（包括储备计算（RC）家族的回声状态网络（ESN））的曲线下面积超过0.988。我们的方法不仅作为一种验证方法和增强机器学习干扰检测工具，而且还可以对观察到的性能下降进行根本原因的识别。引入的基于BNM的推理概念验证成功解决了RC基于顺序检测模型的72.2%错误预测，这些预测是由于观测期内收集的训练数据样本不足引起的，从而证明了其在5G NR和超5G（B5G）网络基础设施和用户设备中的适用性。
作者：Shashank Jere, Ying Wang, Ishan Aryendu, Shehadi Dayekh and Lingjia Liu
论文ID：2304.13660
分类：Signal Processing
分类简称：eess.SP
提交时间：2023-08-22