Jan, 2024

通过强健的全局特征提取增强自动调制识别

PDF
TL;DR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。
automatic modulation recognitiondeep learningtldnntransformerlstm
发现论文，激发创造
  • 利用 Transformer 增强物联网应用中的自动调制识别

    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

  • 基于低成本频谱传感器的无线信号分类分布式深度学习模型

    本文提出了一种基于长短时记忆的自动调制分类新数据驱动模型，分析表明该模型在不同信噪比条件下可实现近 90% 的平均分类准确性，可用于不同符号速率的调制信号分类，同时还考虑降低分布式传感器的数据通信开销和低处理能力传感器部署的问题。

    Jul, 2017

  • 快速深度学习自动调制识别

    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

  • 自动化频率调制识别在对手存在下的应用

    本篇研究文章采用深度学习建立的自动调制识别模型，通过使用基带信号的时域和频域特征，成功抵御对模型的恶意攻击，实现准确识别调制信号的功能，并分别得到了 30% 和 50% 的准确率提升。

    Nov, 2020

  • 基于卷积神经网络的多径衰落信道下鲁棒快速自动调制识别

    本文提出了一种使用卷积神经网络的自动调制分类器模型用于识别与调制类型有关的同一族中的调制类别，该模型能够在实际无线信道衰落和其他影响下识别，使用更全面的数据集进行测试和评估的结果表明，在更接近真实情况下，表现出了比现有模型更好的准确性和训练时间，并且比使用 RadioML2016.10a 数据集时性能更好。

    Nov, 2019

  • 卷积无线电调制识别网络

    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

  • 边缘高效的深度学习模型用于自动调制分类：性能分析

    深度学习在自动调制分类方面的最近进展鼓舞了许多可能应用于资源受限的边缘设备上的无线信号处理，本文通过对三种最常用的模型优化技术（剪枝、量化和知识蒸馏）进行了深入研究，提出了优化的卷积神经网络结构以实现自动调制分类。实验结果表明，所提出的单独和结合的优化技术对于以显著较小的复杂性开发模型，并在减少参数的同时维持或提高分类性能方面是非常有效的。

    Apr, 2024

  • 使用分辨率变换后的频谱图进行深度学习的调制分类

    本文提出了一种利用卷积神经网络生成频谱图进行自动调制分类的方案，该方案通过对不同信号进行分辨率变换以达到 99.61％的计算负载降低和 8 倍的速度提升。所提出的方法在现有 CNN 模型上评估表现，取得了 91.2% 的最佳分类准确率，并且对不同信噪比的实验结果表明，其在无线通信网络中进行实时应用的效率非常高。

    Jun, 2023

  • 利用小波变换对深度学习的调制识别进行无线电信号增强

    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

  • AMC-Net: 自动调制识别的有效网络

    本研究提出了 AMC-Net，一种新的自动调制识别方法，通过在频域中对输入信号进行降噪，并进行多尺度和有效特征提取，提高了识别准确性，并在两个代表性数据集上的实验中表现出了比大多数当前方法更好的效率和效果。

    Apr, 2023