在雷达、机器视觉、医学成像等智能传感领域，用于决策的关键信息往往是稀疏的。例如，单音节波形需要数千个采样点，但仅包含少量信息。如果可以在信号接收的模拟链路中直接提取关键信息，则可以大大减少数据的冗余以及数据速率。数字处理的挑战可以大大减轻。因此，所谓的“模拟特征提取(AFE)”策略在智能传感领域受到了广泛的关注。然而，在射频传感领域，通常需要几GHz的宽带信号来区分目标细节。在现有射频电路的带宽和可重构性瓶颈下，AFE策略在射频传感领域的应用面临挑战。
上海交通大学电子工程系智能微波光波集成创新中心(imLic)先进光通信系统与网络国家重点实验室邹伟文教授领导的科学家团队在《光科学与应用》上发表了一篇新论文同大学及其同事开发了一种光子方案来实现宽带射频信号的 AFE。原则上，光子学因其宽带能力和可重构性而被认为是射频信号处理的竞争候选者。如果特征提取的物理结构在光子电路中实现，则输入信号可以直接转换为特征而无需数字处理。基于这个想法，他们实现了一种光子，可以直接从天线接收到的原始射频信号输出关键特征。通过这些特征，可以高精度地识别不同的目标。所报道的方案将为自动驾驶、机器人和智能工厂中涉及的高效信号处理提供一条有前途的道路。
他们的计划的关键部分是光子。科学家们总结了他们的光子的工作原理：“特征提取结构本质上是一个卷积神经网络，输出输入信号的时空特征。光子模仿神经网络对射频信号进行特征提取。此外，我们还专门针对光子特征提取系统设计了一种有效的训练方法。它大大降低了神经网络训练的成本，并使训练成为可能。”
“实验结果表明，光子特征提取器将数据速率压缩了 4 倍，同时保持了 97.5% 的良好目标识别精度。我们分析结果发现，光子时空特征提取器比没有特征提取的识别精度提高了 7.7%。与一维特征提取相比，时空特征提取的性能提高了6%。因此，我们验证了光子特征提取器的有效性。”他们补充道：“我们相信，我们的提案将促进宽带射频信号处理的自然高效 AFE 策略的开发，并为下一代认知射频传感系统提供一条有前途的道路。”
免责声明：本文由用户上传，如有侵权请联系删除！
