Apr, 2019

大规模真实世界 ACARS 和 ADS-B 无线电信号分类的深度学习

PDF
TL;DR本文使用深度学习在真实的 ACARS 和 ADS-B 信号数据集上进行信号分类，实验结果表明使用单一的基础神经网络模型结构在不同类型的无线电信号的处理上是可行的。
radio signal classificationdeep learningacarsads-bneural network
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

  • 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

  • 基于深度学习的无线电信号分类的对抗攻击

    本文研究了深度学习在无线电信号分类中的应用和安全性问题，通过白盒和黑盒对抗攻击使模型分类性能显著下降，与传统的干扰攻击相比，这些攻击更加强大。

    Aug, 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

    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。

    Jun, 2018

  • 微多普勒雷达分类的深度神经网络的鲁棒性

    通过评估两种深度卷积体系结构在相同数据上的训练和测试，发现遵循标准训练方法时，这两种分类器都对输入表示的微小时间偏移敏感，也对对抗性样本极其敏感；为解决此问题，通过在对抗性样本和时域扩增样本上进行训练，可以减少此效应并实现更好的泛化；最后证明使用节律 - 速度图表示而不是多普勒 - 时间可以更自然地抵抗对抗性样本。

    Feb, 2024

  • 利用机器学习进行业余无线电信号分类和噪声降低

    通过机器学习技术，研究探索在业余无线电运营中应用信号分类和降噪，实验结果证明机器学习方法有潜力提高业余无线电通信系统的效率和鲁棒性。

    Feb, 2024

  • 深度神经网络架构用于调制分类

    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

  • 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

  • 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