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
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
本文提出了一种利用卷积神经网络生成频谱图进行自动调制分类的方案,该方案通过对不同信号进行分辨率变换以达到 99.61%的计算负载降低和 8 倍的速度提升。所提出的方法在现有 CNN 模型上评估表现,取得了 91.2% 的最佳分类准确率,并且对不同信噪比的实验结果表明,其在无线通信网络中进行实时应用的效率非常高。
Jun, 2023
本文提出了一种使用卷积神经网络的自动调制分类器模型用于识别与调制类型有关的同一族中的调制类别,该模型能够在实际无线信道衰落和其他影响下识别,使用更全面的数据集进行测试和评估的结果表明,在更接近真实情况下,表现出了比现有模型更好的准确性和训练时间,并且比使用 RadioML2016.10a 数据集时性能更好。
Nov, 2019
深度学习在自动调制分类方面的最近进展鼓舞了许多可能应用于资源受限的边缘设备上的无线信号处理,本文通过对三种最常用的模型优化技术(剪枝、量化和知识蒸馏)进行了深入研究,提出了优化的卷积神经网络结构以实现自动调制分类。实验结果表明,所提出的单独和结合的优化技术对于以显著较小的复杂性开发模型,并在减少参数的同时维持或提高分类性能方面是非常有效的。
Apr, 2024
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
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
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
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
本篇研究文章采用深度学习建立的自动调制识别模型,通过使用基带信号的时域和频域特征,成功抵御对模型的恶意攻击,实现准确识别调制信号的功能,并分别得到了 30% 和 50% 的准确率提升。
Nov, 2020