Dec, 2023

能源高效智能雷达的传感器内射频计算

PDF
TL;DR利用低秩分解将大规模射频神经网络转化为紧凑的射频神经网络，并通过在射频神经网络上构建鲁棒求解器以增强其稳健性，进一步提供了可重构改形解决方案，经实证评估验证了该方法的有效性。
radio frequency neural networkslow-rank decompositiontensor-train rfnnrobust tt-rfnnreconfigurable reshaping solution
发现论文，激发创造
  • 利用深度卷积神经网络进行射频干扰抑制

    使用深度学习技术，提出了一种用于射电数据中减轻射电频率干扰信号（RFI）的新方法，通过一种特殊的卷积神经网络，该网络可以对来自射电望远镜获得的 2D 有序时间数据中的清洁信号和 RFI 信号进行分类。作者实现的 U-Net 得到了与已有的 RFM 算法相媲美的结果。

    Sep, 2016

  • 深度学习用于低延迟、量子就绪的射频传感

    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

  • SlimmeRF：精简射线场

    SlimmeRF 是一种通过降低模型尺寸和准确性的算法，适用于带有不同计算预算的场景，并通过 Tensorial Rank Incrementation（TRaIn）逐渐增加模型张量表示的秩来实现快速的测试时间性能权衡。

    Dec, 2023

  • 射频互感神经网络硬件信号分类

    本文介绍了如何利用磁隧道结作为神经元和突触来处理多个模拟射频输入并执行突触操作，进而将射频信号分类，其精度与等效软件神经网络相同。这些结果是嵌入式射频人工智能的一个关键步骤。

    Nov, 2022

  • 用于汽车雷达中的干扰抑制的角度等变卷积神经网络

    在本文中，我们提出一种全卷积神经网络 (CNN) 架构，使用三阶卷积以在不同的入射角度下传递学习到的模式，并在汽车应用中的频率调制连续波雷达 (FMCW radar) 技术中进行干扰抑制和角度参数估计，该架构在性能上优于之前的工作。

    Dec, 2023

  • 基于黎曼梯度下降的低秩张量列车深度神经网络的开发及其在语音处理上的应用

    本文旨在设计复杂度低的混合张量网络，通过深入研究模型复杂度和实际性能之间的权衡，我们提出了低秩张量列深度神经网络（LR-TT-DNN）和利用卷积神经网络（CNN）与 LR-TT-DNN 相结合的混合模型 CNN +（LR-TT-DNN），并在语音增强和口语命令识别任务上进行评估。我们的实证研究证明，LR-TT-DNN 和 CNN +（LR-TT-DNN）模型能够以更少的模型参数表现得比 TT-DNN 和 CNN +（TT-DNN）更出色。

    Mar, 2022

  • 张量神经网络在回归问题中的高效方法

    引入张量神经网络（TNN）来处理非参数回归问题，通过其独特的子网络结构，有效地促进变量分离，从而提高复杂未知函数的近似性；与传统的前馈网络（FFN）和径向基网络（RBN）相比，TNN 在近似准确性和泛化能力方面表现优异，尽管参数规模相似；我们的方法的一个关键创新是将统计回归和数值积分集成到 TNN 框架中，从而实现了与回归函数相关的高维积分的高效计算；此进展的意义扩展到更广泛的应用领域，特别是在需要精确高维数据分析和预测的场景。

    Jun, 2024

  • 用于雷达干扰抑制的量化神经网络

    本文研究基于 CNN 的雷达信号去噪和抗干扰的量化技术，比较了不同网络结构和大小的量化潜力，并分析了​由于雷达频率带干扰而导致的环境感知问题。

    Nov, 2020

  • 用于资源高效人工智能应用的三元神经网络

    本文提出了基于三值神经网络和师生模型的新型深度学习方法，并在 FPGA 和 ASIC 硬件上实现；相比现有技术，该方案在提高准确率的前提下，节约了高达 3.1 倍的能源。

    Sep, 2016

  • 利用循环神经网络的磁共振指纹技术

    本文提出使用循环神经网络进行磁共振指纹重建方法，比传统字典匹配法具有更高的可扩展性和更短的重建时间，能够同时测量多种组织属性的定量成像方法。

    Dec, 2018