ComplexRep：整合学习到的表示方法以提高复数值数据的透明度

本文提出ComplexRep框架，通过信息增强和集成学习 Representation (LRI)技术处理复数数据，提升模型性能与透明度，尤其适用于低信噪比场景，并在公共与真实数据集上验证其有效性和兼容性。

　　

摘要：

与实值数据不同，复值数据需要考虑复杂的相关性和模式。特别是在基于实值计算的学习框架中，传统的复数输入表示方法可能无法充分考虑实部和虚部之间的相关性，从而导致潜在的低效率。为了解决这个问题，我们提出了一个名为ComplexRep的新框架，旨在高效处理复值数据并提高其透明度。该框架将复数序列数据转换为类似于图像的格式，从而在提高整体模型性能的同时考虑组件间的相关性。ComplexRep框架采用了诸如信息添加和提出的学习表示集成（LRI）等先进技术，以降低模型复杂性并提高初始试验成功率（ITSP）。此外，我们通过使用公共数据集和从现实世界环境中收集的数据来增强实验的可靠性。广泛的评估结果表明，即使在信噪比较低（SNR）的情况下，我们的框架也能表现出色，从而提高了整个系统的效率。值得注意的是，与之前使用的输入格式相比，ComplexRep提高了ITSP性能并降低了模型复杂性，证明了其效率。进一步的实验验证了该框架与多种最先进模型的兼容性。所有实验还包括对真实世界5G数据的额外测试，验证了所提出方法的适用性。本研究展示了有效管理复值数据并最大化性能的潜力，同时为未来的复值数据处理研究提供了方向。

引言

数据融合是一种关键技术，它结合了各种类型的数据以提高信息的准确性和透明度[1]、[2]。特别是复值数据，在融合过程中需要考虑复杂的相关性和模式[3]、[4]、[5]。这类数据需要独特的分析方法，为开发高性能分析系统提供宝贵的见解[6]、[7]。由复值数据组成的数据集与实值数据具有不同的特性，理解和分析这些数据集也有助于提高系统的整体性能和稳定性[8]、[9]、[10]。例如，通常会应用调制来确保信号的正确传输，而在解调过程中，将调制信号恢复到原始形式需要了解信道信息、调制方案和使用的频率。这些信息可以通过分析商业通信网络中的解调参考信号（DMRS）来获得[11]、[12]。用于调制识别和DMRS的数据集通常由复数序列信号组成。在现实世界环境中，比较和分析这些信号以识别每个序列是至关重要的。Wang等人[13]提出了一种基于序列的异常检测方法，用于对抗5G NR系统中的DMRS欺骗攻击。Gul等人[14]使用Zadoff–Chu序列解决了正交频分复用（OFDM）系统中的时序和频率同步问题。Hua等人[15]分析了频率偏移对Zadoff–Chu序列时序性能的影响。此外，Wang等人[16]使用混合数据增强和轻量级神经网络提高了自动调制分类性能，Pitaval等人[17]提出了具有低相关区域的Zadoff–Chu序列超集，以克服5G物理随机接入信道（PRACH）的容量不足问题。这些研究强调了在现实世界通信环境中准确比较和分析复值信号以识别每个序列的重要性。然而，由于需要考虑组件间的相关性[18]、[19]、[20]、[21]，检测和分析复值信号可能具有挑战性且耗时。