Der rasche Fortschritt in Satellitenkommunikationssystemen erfordert die Integration kognitiver Radiotechnologien, um die Anpassungsfähigkeit des Systems sicherzustellen. Bestehende öffentliche Datensätze konzentrieren sich jedoch überwiegend auf terrestrische Signalmerkmale, was ihre Anwendbarkeit in Weltraumumgebungen stark einschränkt. Hier stellen wir RML24 vor, den ersten Open-Source-Benchmark-Datensatz, der speziell für die satellitengestützte Telemetrie-, Verfolgungs- und Kommando-(TT&C)-Signalverarbeitung mit Deep Learning entwickelt wurde. Wir generierten über 1,3 Millionen Signalsamples mit Software Defined Radio (SDR) und Radiofrequenz-(RF)-Transceiver-Plattformen, die 22 in TT&C-Systemen verbreitete Modulationsschemata umfassen. RML24 beinhaltet simulierte Satellitenkanalmodelle, authentische RF-Verbindungseffekte und Signalpropagationsphänomene, um die Datenverteilung an reale Signalcharakteristika anzupassen. Alle Datensätze und zugehörigen Modellcodes sind öffentlich verfügbar. Darüber hinaus enthält RML24 zur Unterstützung der kognitiven Funkforschung umfassende und präzise Annotationen für Aufgaben wie die Parameterabschätzung und Demodulation mit Deep Learning. Durch die Bereitstellung einer hochwertigen Ressource, die auf Satellitenkommunikation zugeschnitten ist, zielt RML24 darauf ab, die Entwicklung intelligenter, adaptiver und Deep Learning-basierter Satellitensysteme zu beschleunigen.
Zhang et al. (Fri,) haben diese Frage untersucht.