基于增量学习的动态在线调制识别
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
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
该论文提出了一种增量学习框架,针对在线学习场景下的两个主要障碍,即新类的学习和旧类的新观测值的变化。通过引入修改的交叉蒸馏损失和两步学习技术来解决问题(1),并提供通过更新范例集合减轻问题(2)的简单而有效的方法,并在基于 Food-101 数据集的在线食品图像分类的真实应用中展示了该方法的性能。
Mar, 2020
自动调制识别在无线通信系统中起着关键作用,我们提出了一种名为 TLDNN 的混合深度框架,将 Transformer 和 LSTM 的结构相结合,通过自注意机制建模信号序列的全局相关性以增强时间依赖性的捕捉,并采用段替换(SS)的数据增强策略来提高模型对调制相关特征的鲁棒性,实验结果表明我们的方法在广泛使用的数据集上取得了最先进的性能并在复杂性方面具有显著优势。
Jan, 2024
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 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
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
本文提出了一种使用离散小波变换分解的细节系数进行数据扩增,以生成新的样本并扩展训练集的方法,仿真结果表明我们的方法明显优于其他扩增方法。
Nov, 2023
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