未知和动态频谱环境下的无线电信号分类深度学习
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
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
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
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
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
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
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
使用对抗机器学习对无线通信进行干扰攻击,通过深度学习分类器可靠预测下一个成功的传输并有效地干扰。开发了生成对抗网络以减少获取训练数据集的时间。作为一种防御方案,传输机故意采取一些错误的动作来干扰干扰器的可靠分类器,从而增加其吞吐量。
Jul, 2018
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