Feb, 2016

卷积无线电调制识别网络

PDF
TL;DR本文研究了卷积神经网络在复杂时间无线电信号领域中的应用。我们比较了使用 naively learned 特征和使用专家特征进行无线电调制分类的有效性，并展示了显著的性能提升。我们表明在低信噪比下，使用深卷积神经网络进行大规模且密集编码时间序列的盲目时序学习是可行的，是该任务的强有力候选方法。
convolutional neural networksradio signalmodulation classificationtemporal learninglow signal to noise ratio
发现论文，激发创造
  • 快速深度学习自动调制识别

    本文研究了深度学习算法在从子采样数据中自动识别无线通信信号调制类型的可行性和有效性，提出了三种神经网络架构进行分类，并探讨了减少训练时间的算法和技术，实现了在高信噪比下的在线分类。

    Jan, 2019

  • 深度神经网络架构用于调制分类

    研究使用深度学习进行无线信号调制识别的有效性，并在现有框架的基础上开发出结合 Residual Networks、Densely Connected Networks 以及 Convolutional Long Short-term Deep Neural Network 的架构，使得高信噪比下的准确率达到了 88.5%。

    Dec, 2017

  • 调制识别的深度架构

    我们调查了将最新的深度神经网络机器学习应用于无线电调制识别任务的最新进展，结果表明，无线电调制识别并不受网络深度的限制，后续工作应该集中在改善学习同步和均衡方面。这些领域的进展可能来自专为这些任务设计的新型架构或通过新的训练方法。

    Mar, 2017

  • 通过强健的全局特征提取增强自动调制识别

    自动调制识别在无线通信系统中起着关键作用，我们提出了一种名为 TLDNN 的混合深度框架，将 Transformer 和 LSTM 的结构相结合，通过自注意机制建模信号序列的全局相关性以增强时间依赖性的捕捉，并采用段替换（SS）的数据增强策略来提高模型对调制相关特征的鲁棒性，实验结果表明我们的方法在广泛使用的数据集上取得了最先进的性能并在复杂性方面具有显著优势。

    Jan, 2024

  • 利用深度卷积神经网络进行射频干扰抑制

    使用深度学习技术，提出了一种用于射电数据中减轻射电频率干扰信号（RFI）的新方法，通过一种特殊的卷积神经网络，该网络可以对来自射电望远镜获得的 2D 有序时间数据中的清洁信号和 RFI 信号进行分类。作者实现的 U-Net 得到了与已有的 RFM 算法相媲美的结果。

    Sep, 2016

  • 无监督学习结构化无线通信信号的表示

    本研究探索在原始采样时间序列表示中进行无监督表征学习的射频通信信号。我们通过卷积自编码器学习调制基函数，并直观地识别它们与数字通信中使用的解析基础之间的关系。我们还提出并评估了使用领域相关性能指标的编码质量的定量指标。

    Apr, 2016

  • 深度神经网络变轻：基于深度压缩技术的自动射频调制识别在 5G 及其后网络中的应用研究

    本文主要介绍了一种自动无线电调制识别技术，结合深度压缩和加速技术提出了一种轻量神经网络模型，在边缘侧设备上可以实现物理层身份认证，自动信号处理，为未来 5G 及军用网络提供技术支持。同时，以自动雷达调制调制分类为例，对代表性加速方法进行了广泛分析并进行了计算指标衡量。

    Apr, 2022

  • 无线系统同步学习的注意力模型：Radio Transformer Networks

    我们使用学习到的注意模型和适用于无线电领域的空间变换引入新的适当变换，通过优化分类精度、稀疏表示和正则化来学习一个定位网络，能够在零知识下对无线电信号进行盲同步和标准化，从而在信噪比方面胜过不带注意力机制的相同系统。

    May, 2016

  • 卷积循环神经网络用于音乐分类

    本研究引入了一种卷积循环神经网络（CRNN）进行音乐标记。研究中对比了使用 CNN 的三种不同结构来进行音乐标记的性能和每个样本的训练时间，并表明相对其他模型，CRNN 具有更好的效果和更少的参数和更快的训练时间， 表明其混合结构在音乐特征提取和特征总结中的有效性。

    Sep, 2016

  • 利用可重构智能表面和深度学习进行调制分类

    本文提出了一种基于人工智能的 RIS 辅助数字分类方法，训练卷积神经网络对数字调制进行分类，无需特征提取，其分类方法在低信噪比下表现出色。

    Sep, 2022