DeepWiPHY

DeepWiPHY数据集是为训练和评估基于深度学习的IEEE 802.11ax OFDM接收机DeepWiPHY而开发的。该数据集包含约1.1亿个合成OFDM符号和1400万个真实世界OFDM符号，涵盖了典型的室内信道模型和无线电频率(RF)损伤。数据集的创建涉及使用通用软件无线电外设(USRPs)和商用IEEE 802.11ax产品构建的被动嗅探数据收集测试平台。DeepWiPHY数据集旨在通过提供标准化的合成和真实世界数据，支持无线通信领域的深度学习研究和应用，特别是在信道估计、相位误差校正、采样率偏移校正和均衡模块的优化方面。

The DeepWiPHY dataset was developed for training and evaluating the deep learning-based IEEE 802.11ax OFDM receiver, DeepWiPHY. This dataset contains approximately 110 million synthetic OFDM symbols and 14 million real-world OFDM symbols, covering typical indoor channel models and radio frequency (RF) impairments. The creation of this dataset involved a passive sniffing data collection testbed constructed using universal software radio peripherals (USRPs) and commercial IEEE 802.11ax products. The DeepWiPHY dataset aims to support deep learning research and applications in the field of wireless communications by providing standardized synthetic and real-world data, particularly for the optimization of modules such as channel estimation, phase error correction, sampling rate offset correction, and equalization.

搜集汇总

数据集介绍

构建方式

在无线通信领域，数据集的构建对于深度学习接收机设计至关重要。DeepWiPHY数据集通过合成数据与真实世界数据相结合的方式构建，合成数据部分依据IEEE 802.11ax标准，模拟了六种典型室内信道模型及五种射频损伤，生成了约1.1亿个OFDM符号。真实世界数据部分则借助通用软件无线电外设和商用Wi-Fi设备，采用被动嗅探技术，在办公室环境中采集了超过1400万个OFDM符号，确保了数据在多样信道条件和信噪比水平下的代表性。

特点

该数据集的特点在于其全面性与标准化。它不仅严格遵循最新的IEEE 802.11ax协议，覆盖了从平坦衰落到多径衰落的多种室内信道场景，还融入了实际的射频非线性损伤。数据集规模庞大，包含高调制阶数如1024 QAM的符号，并提供了前向纠错前后的误码率与误包率评估指标。这些特性使得DeepWiPHY成为首个公开可访问、兼具合成与真实数据的Wi-Fi物理层研究资源。

使用方法

DeepWiPHY数据集主要用于训练和评估基于深度学习的OFDM接收机。研究人员可利用其合成数据部分进行初步模型训练，再通过真实世界数据进一步微调，以提升模型在实际环境中的泛化能力。数据集支持对信道估计、公共相位误差校正、采样率偏移校正及均衡等模块的联合优化研究。使用前需对接收的IQ样本进行标准化处理，并提取导频与数据子载波特征，以适配神经网络的输入格式。

背景与挑战

背景概述

DeepWiPHY数据集诞生于2020年，由德克萨斯大学奥斯汀分校与思科系统公司的研究团队联合创建，旨在推动深度学习在无线通信物理层接收机设计中的应用。该数据集聚焦于IEEE 802.11ax（Wi-Fi 6）标准下的正交频分复用系统，核心研究问题在于通过端到端的深度学习架构，替代传统接收机中的信道估计、公共相位误差校正、采样率偏移校正与均衡等模块，以应对无线系统中非线性射频损伤的挑战。其影响力体现在为学术界与工业界提供了首个基于真实世界与合成数据的标准化开放资源，显著促进了数据驱动方法在无线物理层优化中的实证研究。

当前挑战

DeepWiPHY数据集所解决的领域问题在于提升OFDM接收机在复杂信道条件下的性能，其挑战包括：在高度频率选择性衰落信道中实现稳健的信号恢复，以及在高阶调制方案下保持低误码率。构建过程中的挑战则体现在：需生成覆盖多样室内信道模型与射频损伤的合成数据，同时通过被动嗅探测试床收集大规模真实世界数据，并确保数据严格遵循IEEE 802.11ax标准；此外，数据标注需克服真实环境中完美信道状态信息不可获知的困难，且高阶调制信号在现实采集时面临标签准确性不足的难题。

常用场景

经典使用场景

在无线通信领域，正交频分复用（OFDM）技术作为现代Wi-Fi和蜂窝网络的核心波形选择，其接收机设计面临着信道估计、相位误差校正与均衡等多重挑战。DeepWiPHY数据集通过合成与真实世界数据相结合的方式，为深度学习驱动的OFDM接收机优化提供了经典应用场景。该数据集广泛应用于训练端到端的神经网络模型，以替代传统接收机中的信道估计、公共相位误差校正、采样率偏移校正及均衡模块，从而在复杂信道环境和射频损伤下实现更优的误码率与包错误率性能。

衍生相关工作

DeepWiPHY数据集的发布催生了一系列围绕深度学习在无线通信中应用的衍生研究。例如，基于该数据集架构的卷积神经网络与长短期记忆网络结合模型，被用于提升多输入多输出系统中的信道状态信息预测精度。此外，该数据集启发了对更高阶调制方案（如1024 QAM）的接收机设计探索，以及针对车载通信、水下声学信道等特定场景的适应性研究。这些工作进一步拓展了数据驱动方法在物理层信号处理中的边界，促进了跨领域的技术融合与创新。

数据集最近研究

最新研究方向

在无线通信物理层领域，DeepWiPHY数据集为基于深度学习的正交频分复用接收机设计提供了关键支持。该数据集结合了符合IEEE 802.11ax标准的合成数据与真实世界采集数据，推动了深度学习在信道估计、相位误差校正及均衡等模块的联合优化研究。前沿方向聚焦于利用该数据集训练端到端神经网络架构，以替代传统模块化接收机，并在多径信道与非线性射频损伤场景下实现性能提升。热点研究包括扩展至多空间流模式、开发在线自适应训练机制，以及探索卷积神经网络等轻量化架构以降低计算复杂度。这些进展不仅验证了深度学习在现有通信标准中的可行性，也为未来智能无线系统的数据驱动优化奠定了实证基础。

相关研究论文

• DeepWiPHY: Deep Learning-based Receiver Design and Dataset for IEEE 802.11ax Systems

  德克萨斯大学奥斯汀分校 · 2020年