应用任意精度分类于特定发射机识别
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
ORACLE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。
Dec, 2018
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。
Apr, 2019
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
本研究旨在探讨利用深度学习处理接收到的无线信号,并通过测试信噪比估计实现源识别,主要集中在识别调制类型和无线技术以及信道。研究表明通过利用测试信噪比对应的训练数据进行训练能够显著减少训练时间而保留一定的平均测试准确度,同时,以小正偏移为误差的测试信噪比估计比以小负偏移为误差的估计更有利于训练。另外,我们提出了一种贪婪的训练信噪比提升算法,可在使用每个测试信噪比的小部分训练信噪比的情况下,在所有测试信噪比的准确度上均匀提高。最后,通过基于训练信噪比值的自举聚集算法来改善具有训练数据紧缺的低测试信噪比值的泛化能力的潜力得到了验证。
Dec, 2019
本文研究了多天线基站和用户设备中的普遍硬件损坏对上行性能的影响,提出了一种基于深度神经网络的解决方案来估计有效通道。该方法利用了失真特征,比LMMSE方法的噪声估计质量更高。
Aug, 2022
本论文提出了一种数据驱动的DoA估计器SubspaceNet,该估计器利用深度神经网络学习输入的经验自相关,结合Root-MUSIC方法的不可区分性,无需提供基础真实的可分解自相关矩阵,可在具有挑战性的设置中应用于各种DoA估计算法。
Jun, 2023