Sep, 2016

利用深度卷积神经网络进行射频干扰抑制

PDF
TL;DR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。
发现论文，激发创造
  • 使用卷积神经网络识别无线干扰

    本文提出了基于深度卷积神经网络的无线干扰识别方法，该方法在信噪比至少为 - 5 dB 时具有大于 95％的分类准确性，适用于 IEEE 802.11 b /g，IEEE 802.15.4 和 IEEE 802.15.1 网络的重叠频率通道。

    Mar, 2017

  • 汽车雷达干扰减轻的深度学习方法

    本研究提出了一种使用深度学习减少雷达信号干扰的新方法，该方法在各种干扰条件下表现良好，并且具有低的处理时间和比传统的信号处理方法更好的性能。

    Mar, 2019

  • 能源高效智能雷达的传感器内射频计算

    利用低秩分解将大规模射频神经网络转化为紧凑的射频神经网络，并通过在射频神经网络上构建鲁棒求解器以增强其稳健性，进一步提供了可重构改形解决方案，经实证评估验证了该方法的有效性。

    Dec, 2023

  • 卷积无线电调制识别网络

    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。

    Feb, 2016

  • 汽车雷达干扰抑制的神经网络端到端训练

    本文提出了一种用于频率调制连续波雷达相互干扰抑制的神经网络（NNs）训练方法，通过直接在目标检测地图上训练 NNs，以显著提高目标检测性能，并引入可分离卷积核来减少雷达应用中卷积 NN 架构的参数和计算复杂性。

    Dec, 2023

  • 用于汽车雷达干扰抑制的全卷积神经网络

    本文提出了一种基于全卷积神经网络的 FMCW 雷达干扰抑制方法，改善了汽车场景下雷达传感器之间的干扰问题，同时开源了一个近似实际汽车场景的大规模数据集。

    Jul, 2020

  • RadioUNet: 用卷积神经网络快速估计无线电地图

    本文提出了一种高效准确的深度学习方法，名为 RadioUNet，用于估算从一个点 $x$（发射器位置）到平面域上任意点 $y$ 的传播路损。该方法能够学习如何在城市环境下准确地估算路损函数，并且能够在实时应用中快速计算结果。实验结果表明，相对于先前提出的方法，我们的方法具有明显的优势。

    Nov, 2019

  • 一种基于射频的无人机检测与识别的二维深度网络对于安全覆盖拓展的研究

    无人机在人类生活中越来越普遍，但同时也引发了安全方面的担忧，例如未经授权的访问和控制以及与有人飞机的碰撞和干扰。本文利用机器学习和射频检测技术，可以准确识别和区分不同的无人机类型和飞行模式，从而对扩大覆盖范围具有重大意义。通过研究发现，基于短时傅立叶变换（STFT）提取的二维特征可以包含时间域和频率域信息。结合使用 ResNet 结构的卷积神经网络（CNN）进行多类别分类，实验结果显示，提议的 ResNet-STFT 在扩展数据集上实现了更高的准确性和更快的收敛速度，并且在原始数据集上表现出较好的平衡性能。

    Aug, 2023

  • 使用卷积神经网络进行汽车雷达复杂信号去噪与干扰抑制

    本研究旨在解决越来越多的雷达传感器在街道上部署时，存在的共存干扰问题。为此，研究提出了使用卷积神经网络（CNN）对数据进行去噪的方法，实验结果证明了该方法的优越性。因此，CNN 可以作为传统信号处理方法之外的一种干扰抑制方法，用于自动驾驶领域的雷达信号处理中。

    Jun, 2019

  • DeepRx：全卷积深度学习接收器

    提出了一种名为 DeepRx 的深度完全卷积神经网络，它以符合 5G 标准的方式执行从频域信号流到未编码位的整个接收机流水线，可构造具有高精度信道估计的卷积神经网络输入，并输出与 5G 系统中使用的信道编码兼容的软比特，从而在使用 3GPP 定义的信道模型的情况下优于传统方法。

    May, 2020