基于端到端学习的光谱数据处理：一种用于频谱监测应用中的无线信号识别的深度学习方法

Dec, 2017

基于端到端学习的光谱数据处理：一种用于频谱监测应用中的无线信号识别的深度学习方法

End-to-end Learning from Spectrum Data: A Deep Learning approach for Wireless Signal Identification in Spectrum Monitoring applications

PDF

Merima Kulin, Tarik Kazaz, Ingrid Moerman, Eli de Poorter

TL;DR本论文介绍了无线电信号标识的深度学习方法，提出了端到端学习框架和通用方法，通过调查不同的数据表示方法及其不同的影响，研究了无线电信号的分类方法，降低了设计无线电信号分类器的复杂度并提升了准确性。

Abstract

This paper presents end-to-end learning from spectrum data - an umbrella term for new sophisticated wireless signal identification approaches in spectrum monitoring applications based on deep neural networks. end-to-end

end-to-end learning spectrum monitoring wireless signal classifiers modulation recognition interference detection

发现论文，激发创造

未知和动态频谱环境下的无线电信号分类深度学习

本文提出了一种基于深度学习和信号分类技术的动态频谱接入方案，能够在无线网络中精确检测和分类干扰源，并应用于分布式调度协议中，提高网络吞吐量和用户成功率。

Sep, 2019

无线频谱数据的深度特征学习

通过使用卷积神经网络，我们在无监督学习的过程中提出了一种基于特征工程的模型，该模型能够自动地学习适用于无线传输聚类的特征表示方法。相对于基准的主成分分析（PCA），我们的模型自动学习由比基准少 99.3% 的组成部分组成的输入数据的降维表示，从而能够提取具有细粒度的无线传输突发形状的聚类，而基准模型只能基于背景噪声进行数据的一般可分性。

Aug, 2023

基于深度学习分类的认知无线电频谱感知

该研究介绍了一种基于深度学习分类的频谱感知方法，通过对接收信号功率进行归一化处理来克服噪声功率不确定性，使用尽可能多的信号类型和噪声数据训练模型，使得训练的网络模型能够适应未经训练的新信号，并使用迁移学习策略来改进实际信号的性能，实验证明该方法的性能超过了传统的频谱感知方法，并且适应不同类型的新信号，对于彩色噪声有更优越的检测性能。

Sep, 2019

5G 及更高版本的调制和无线信号分类的多任务学习方法：通过模型压缩实现边缘部署

本文提出了一种基于深度神经网络的多任务学习 (MTL) 框架，同时学习调制和信号识别任务，考虑到电磁频谱中的多样性无线信号，该框架能有效地提高分类准确性和学习效率，适用于资源受限的嵌入式电台平台，并提供了广泛的异构无线信号数据集。

Feb, 2022

基于低成本频谱传感器的无线信号分类分布式深度学习模型

本文提出了一种基于长短时记忆的自动调制分类新数据驱动模型，分析表明该模型在不同信噪比条件下可实现近 90% 的平均分类准确性，可用于不同符号速率的调制信号分类，同时还考虑降低分布式传感器的数据通信开销和低处理能力传感器部署的问题。

Jul, 2017

朝着端到端可解释的卷积神经网络发展音波信号

用卷积神经网络构建高效且可解释的端到端音频深度学习模型，通过在三个标准语音情感识别数据集上的实验验证，我们的框架在效率和可解释性方面表现优越，对抗 Mel 频谱特征有高达 7% 的改进；还揭示了前端层在处理复杂的长波形模式方面的高效性和可解释性，通过 PhysioNet 心音数据库的实例进行了论证，为处理原始波形数据构建了可移植的有效模型解决方案。

May, 2024

利用深度学习进行无监督射频信号表示学习，用于 NextG 信号分类

本研究提出了基于自监督学习的射频信号表示学习方法，并将其应用于自动调制识别任务中，该方法能够提高任务的样本效率并显著节省时间和成本，并且相比于当前的深度学习方法，其模型的准确性更高，并且在只有有限的训练数据的情况下仍能保持较高的准确性。

Jul, 2022

大规模音乐标记的端到端学习

本研究探讨了基于波形输入和基于视听特征学习的卷积神经网络的两种音乐自动标记设计范式在变量大小的数据集上表现的比较，实验结果表明当训练数据不足时，采用音乐领域假设的基于波形的模型在大规模数据场景中的表现优于基于谱图的模型。

Nov, 2017

面向动态频谱访问的图像和无线数据多模态联合感知及任务导向通信

本研究介绍了一种深度学习方法，利用多模态图像和频谱数据相结合，实现动态频谱访问，并识别潜在的发射器。通过使用边缘设备上的摄像头拍摄潜在对象（例如可能携带发射器的车辆），我们提出了一种协作系统，其中边缘设备与可信接收器之间进行有选择的信息通信并作出决策，以确定潜在的发射器是否存在。通过任务导向的通信，在发射器上使用编码器进行联合源编码、信道编码和调制，从而高效传输用于对象分类的精简维度的重要信息。同时，发送的信号可能会反射到物体并返回到发射器，从而实现目标感知数据的收集。然后，在发射器上对收集到的感知数据进行第二轮编码，通过任务导向的通信将降维后的信息传回融合中心。在接收端，解码器通过联合感知和任务导向的通信，执行识别发射器的任务。发射器的两个编码器以及接收器的解码器进行联合训练，实现了图像分类和无线信号检测的无缝集成。通过 AWGN 和 Rayleigh 信道模型，我们展示了所提出方法的有效性，在各种信道条件下取得了发射器识别的高准确性，并保持低延迟的决策过程。

Dec, 2023

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