Dec, 2018

ORACLE: 基于卷积神经网络的优化无线电分类

PDF
TL;DRORACLE 是一种检测来自大量相似设备的独特无线电信号的方法，它利用卷积神经网络（CNN），能够平衡计算时间和准确性，而且只需物理层的 IQ 样本来训练。它通过软件指令有意引入控制性的不完美之处，以提高 CNN 的分类器的可区分度，而且呈现出 99％的分类精度。
oracleconvolutional neural networkiq samplestransmitter chaindynamic channels
发现论文，激发创造
  • 基于无线信号的深度学习分类技术

    深度学习在无线电通信信号分类方面的性能与基线方法比较研究，研究了不同配置和信道失真情况下的分类性能，探讨了载波频率偏移、符号速率和多径衰落等因素对性能的影响，并使用软件无线电进行了室内分类性能的实测，最终讨论了该技术的应用存在的问题和设计考虑。

    Dec, 2017

  • 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

  • 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

  • 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

  • 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

  • 一种基于复数卷积神经网络的射频数据驱动无线设备分类分析

    本研究通过对真实的 LoRa 和 WiFi 射频数据集进行深入分析，从输入表示和神经网络的体系结构两个方面，进一步探讨了使用复数深度神经网络进行设备识别的优势。结果表明，相较于实数值神经网络，在各种情景下，复杂值神经网络一般表现更好。

    Feb, 2022

  • 在开放式无线接入网络中，保护机器学习驱动应用程序的数据隐私

    通过深度学习和数据加密技术，本文提出了一种解决隐私泄漏问题的方法，以保护机器学习模型在共享数据库中的准确性和性能，并在频谱共享和干扰抑制应用中取得显著改进。

    Feb, 2024

  • 移动设备上的量化卷积神经网络

    该研究提出了一种名为量化卷积神经网络的模型，旨在通过量化卷积层中的滤波器核和全连接层中的权重矩阵，实现计算效率的提升和存储内存开销的降低，相对于非量化模型，该模型在 ILSVRC-12 基准测试中达到 4~6 倍的加速和 15~20 倍的压缩，仅有 1% 左右的分类准确率损失，并且甚至可以在移动设备上在一秒内精准分类照片。

    Dec, 2015

  • 低信噪比环境下稳健低成本的无人机检测与分类

    本研究提供了用于模型开发的公开数据集，并对低信噪比条件下的卷积神经网络进行了无人机检测的比较分析，同时部署和现场评估了一个实用、低成本的无人机检测系统。

    Jun, 2024

  • 应用任意精度分类于特定发射机识别

    介绍了一种评估子样本的方法，直到实现任意的分类精度，从而获得任意的精度，并应用于一个已发布数据集上的特定发射机识别实例中，使用卷积神经网络对 I / Q 信号子采样的双谱进行多通道深度学习，可以在最小计算时间内获得高水平的精度。

    Nov, 2022