我们介绍了一种基于机器学习的网络入侵检测模型，使用随机过采样处理数据不平衡并基于聚类结果进行堆叠特征嵌入，以及使用主成分分析进行维度约简，特别适用于大规模和不平衡的数据集，并在三个现阶段的基准数据集：UNSW-NB15、CIC-IDS-2017 和 CIC-IDS-2018 上进行了评估，结果表明该模型的性能持续优于现有技术，证明了该方法在网络入侵检测领域的重要进展和有效性。

Jan, 2024

该研究论文探讨了深度学习在低功耗物联网通信中利用接收信号强度指示器（RSSI）进行准确信道估计的潜力，通过基于全连接神经网络（FCNN）的两个模型（A 和 B），它们分别实现了 99.02% 和 90.03% 的均方误差（MSE）减少。与其他深度学习技术相比，我们的估计模型表现出显著的效率优势。

May, 2024

本文提出了一种基于深度迁移学习 (CNN) 和最小误差概率标准 (MEP) 的 DTL 检测框架，旨在消除通道估计需求以提高 AmBC 系统的性能，结果表明该方法的误码率性能可与完美 CSI 的最优检测方法相媲美。

Sep, 2020

通过深度学习将量子技术与实时 RF 信号分类结合，实现了低延迟在线分类和突破物理极限的下一代量子 RF 传感器。

Apr, 2024

本文提出 DeepRadioID，一个系统，其无需重新训练深度学习模型即可优化基于深度学习的无线电指纹识别算法的准确性，实验结果显示其在三种情况下分别增加了 35％，50％和 58％的指纹识别准确性，并在 100 个设备数据集上实现了 27％的改进。

Apr, 2019

本文提出了一种用于估计和检测重新可配置智能表面（RIS）信号中符号的深度学习方法，不需要任何驾驶人信号，降低传输开销，优于传统的检测器。

Oct, 2019

本文介绍了一种新的使用深度学习技术处理雷达数据的方法，该方法利用雷达校准数据进行训练，引入了新的雷达数据增强技术，通过在雷达 4D 检测任务上的实验验证，表现更优秀的性能，极大地减少了对昂贵的雷达校准工艺的需求，从而实现快速准确的示踪和分类检测。

Jun, 2019

提出了一种基于 FPGA 的 ECU 方法，通过专用的现成硬件加速器实现深度卷积神经网络入侵检测模型，平均准确率超过 99％，在多个攻击数据集中的误检率为 0.64％，并且相比于 GPU 上的 IDS 实现，在能量消耗上降低了 94％，每个消息的处理延迟降低了 51.8％。

Jan, 2024

本文提出了一种数据增强的多特征学习模型（DEMCL），通过数据增强模块和多特征学习模块学习更多互补的行人微多普勒（m-D）信号，并通过实验证明该模型比其他研究的准确率高 3.33% 至 10.24%，且其对于一套 25 分钟的步行数据的短时运行时间为 0.9324 秒。

Jun, 2023

该论文研究了一种深度学习框架来解决 LoRa 网络的安全挑战，包括设备识别和合法与伪装信号分类任务。研究结果表明对于不同 LoRa 信号分类任务的敌对攻击具有一定的传递性，并强调了使物联网应用抵御敌对攻击的必要性。

Dec, 2023