MMApr, 2022

深度神经网络变轻：基于深度压缩技术的自动射频调制识别在 5G 及其后网络中的应用研究

PDF
TL;DR本文主要介绍了一种自动无线电调制识别技术，结合深度压缩和加速技术提出了一种轻量神经网络模型，在边缘侧设备上可以实现物理层身份认证，自动信号处理，为未来 5G 及军用网络提供技术支持。同时，以自动雷达调制调制分类为例，对代表性加速方法进行了广泛分析并进行了计算指标衡量。
rf modulation recognitiondeep compressionautomatic radar modulation classificationbeyond 5g networksedge computation
发现论文，激发创造
  • 5G 及更高版本的调制和无线信号分类的多任务学习方法：通过模型压缩实现边缘部署

    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

  • 调制识别的深度架构

    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

  • 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

  • 利用可重构智能表面和深度学习进行调制分类

    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

  • 深度学习压缩射频信号分类

    我们提出了基于深度学习压缩（DLC）模型 HQARF 的方法，该模型利用了学习的向量量化（VQ）来压缩由 6 个调制类组成的复杂值射频信号样本，以提高人工智能模型对射频信号调制类别推断的性能，并减少带宽和存储的使用以及实时应用的延迟。

    Mar, 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

  • 利用 Transformer 增强物联网应用中的自动调制识别

    利用 Transformer 网络为物联网应用中的自动调制识别提出了一种高效的方法，优于传统深度学习技术，实现了最高的识别准确度。

    Mar, 2024

  • 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

  • 物理层深度学习入门

    本文提出并讨论了深度学习在物理层的几个新应用，并将通信系统解释为自编码器，开发了一种基本的新方式来思考通信系统设计，演示了深度学习在通信技术领域的应用和挑战。

    Feb, 2017

  • 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