Jun, 2018

应用深度学习对 3.5GHz 频段频谱图进行分类及其对于频谱感知的应用

PDF
TL;DR本文研究了在 3.5 GHz 频段内使用 13 种不同的算法（包括信号检测理论和机器学习）以及深度学习架构进行 SPN-43 雷达检测的性能表现，并发现机器学习算法优于传统信号检测方法。
federal communications commissioncommercial wireless networksradar detectionmachine learning3.5~ghz band
发现论文，激发创造
  • 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

  • 无线网络深度学习预测带宽切换

    本文提出了一种基于在线学习和机器学习的频段切换方案，利用 UE 位置信息和不同频段射线数据集来实现无需测量间隙的频段切换，达到约 30% 提高的速率和低于 0.5% 的误差率。

    Oct, 2019

  • 改进毫米波成像系统的新型混合学习算法

    介绍了新型混合学习算法，用于改进毫米波成像系统，应用于感知和传感的各种问题领域。

    Jun, 2023

  • 深度学习用于干扰识别：波段，训练信噪比和样本选择

    研究了干扰源识别问题，应用深度学习算法识别 Bluetooth，Zigbee 和 WiFi 三种无线技术的 15 个信道，通过优化 CNN 网络的训练，可在保证分类准确率的前提下将训练时间缩短至原先的大约 1/30。

    May, 2019

  • 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

  • 基于深度学习的多波段信号融合用于三维 SAR 超分辨率

    提出一种深度学习方法 kR-Net，使用混合的双域复值卷积神经网络 (CV-CNN) 融合多频段信号，以实现对复杂目标的高分辨率成像，从而在安全筛查和工业成像领域中具有广阔应用前景。

    May, 2023

  • 使用 CNN、k-nearest 邻居和支持向量机检测 5G 窄带干扰器

    在基于机器学习的在线观测系统中，利用预训练的机器学习模型在物理层检测 5G 蜂窝网络中特定控制子通道的窄带干扰攻击，研究了卷积神经网络与支持向量机和 k 最近邻方法相结合使用主成分分析的性能差异。

    May, 2024

  • 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

    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。

    Dec, 2017

  • 深度学习用于低延迟、量子就绪的射频传感

    通过深度学习将量子技术与实时 RF 信号分类结合，实现了低延迟在线分类和突破物理极限的下一代量子 RF 传感器。

    Apr, 2024

  • 使用深度频谱网络和基于原语的自回归混合信道模型的无线感知

    本文提出了一种深度光谱网络（DSN），通过利用残差映射技术来增强 HMR 性能，并开发出一种基于原始自回归混合（PBAH）通道模型，为虚拟环境中 HMR 的数据集生成提供了高效的训练和测试数据集，实验结果表明，所提出的 PBAH 通道模型与实际实验数据非常匹配，并且所提出的 DSN 的识别错误率显著小于 CNN。

    Apr, 2021