无线频谱数据的深度特征学习

Aug, 2023

Deep Feature Learning for Wireless Spectrum Data

Ljupcho Milosheski, Gregor Cerar, Blaž Bertalanič, Carolina Fortuna, Mihael Mohorčič

TL;DR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。

Abstract

In recent years, the traditional feature engineering process for training machine learning models is being automated by the feature extraction layers integrated in deep learning architectures. In →

feature engineering deep learning unsupervised learning convolutional neural networks wireless networks

发现论文，激发创造

自监督学习用于无线频谱活动聚类

本文提出了一种自我监督学习方法，使用真实的未标记数据探索频谱活动，使用此方法可以大幅减小特征向量的大小，并提高性能，同时提供了频谱数据的分类结果。

Sep, 2022

自监督聚类无线频谱活动的 XAI

提出一种结合了 Guided Backpropagation 和 Shallow Trees 方法，在无需大量标注数据的情况下解释卷积神经网络深度聚类自监督学习架构，并以无线频谱活动聚类为例进行了说明。

May, 2023

遥感图像无监督深度特征提取分类

介绍单层和深度卷积网络用于遥感数据分析的应用，使用贪婪层次无监督预训练和高效的无监督特征学习算法提取有稀疏特征，结果表明深度架构比单层架构的分类性能更好。

Nov, 2015

基于端到端学习的光谱数据处理：一种用于频谱监测应用中的无线信号识别的深度学习方法

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

无监督学习结构化无线通信信号的表示

本研究探索在原始采样时间序列表示中进行无监督表征学习的射频通信信号。我们通过卷积自编码器学习调制基函数，并直观地识别它们与数字通信中使用的解析基础之间的关系。我们还提出并评估了使用领域相关性能指标的编码质量的定量指标。

Apr, 2016

利用深度学习进行无监督射频信号表示学习，用于 NextG 信号分类

本研究提出了基于自监督学习的射频信号表示学习方法，并将其应用于自动调制识别任务中，该方法能够提高任务的样本效率并显著节省时间和成本，并且相比于当前的深度学习方法，其模型的准确性更高，并且在只有有限的训练数据的情况下仍能保持较高的准确性。

Jul, 2022

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

基于神经聚类的视觉表示学习

我们通过重新审视聚类，一种机器学习和数据分析中最经典的方法之一，来研究机器视觉的一个基本方面：特征的测量。我们提出了特征提取与聚类（FEC）的概念性优雅但惊人的特征提取方法，它将特征提取视为从数据中选择代表并自动捕捉底层数据分布的过程。通过对各种视觉识别模型和任务进行广泛实验，我们验证了 FEC 的有效性、普适性和可解释性。我们希望这项工作将引发对当前事实上的网格式范式的重新思考。

Mar, 2024

卷积聚类用于无监督学习

本文介绍了一种基于增强版 k-means 聚类算法的深度卷积神经网络，该算法通过无监督学习技术利用分层特征来减少相关参数的数量，从而提高了测试分类精度。作者进一步展示了学习深度卷积神经网络各层之间的连接能够提高网络在少量标记数据上的训练能力，最终在 STL-10 数据集上获得 74.1% 的测试准确率以及在 MNIST 数据集上仅有 0.5% 的测试误差。

Nov, 2015

基于机器学习的无线定位中最小描述特征选择的复杂度降低

我们设计了一种利用最小描述特征来大大降低深度学习网络复杂性的新型定位神经网络（P-NN）。通过最大功率测量及其时间位置传达进行定位所需的信息，使 P-NN 的学习能力得到改进，同时在稀疏图像和测量矩阵上实现自注意力机制以强化网络的训练能力，并通过信息论量化信号 bin 选择上的期望信息增益和分类能力进行特征空间大小的优化。数值结果表明，P-NN 在性能复杂度平衡方面相比利用完整的功率延迟特征（PDP）的深度学习基准有显著的优势，尤其在低信噪比情况下，通过我们的最小描述特征，不必要的测量结果被舍弃，取得了很大的性能改进。

Apr, 2024