Jan, 2024

基于 Transformer 的机器学习边缘协议识别

PDF
TL;DR通过 T-PRIME：一种基于 Transformer 的机器学习方法，本文在具有故意失真、极低信噪比和具有挑战性信道条件下，通过设计 T-PRIME 的注意机制来学习发送帧的结构设计，从而克服了相关性匹配方法的局限性。文章通过比较 Transformer 模型与传统方法和最先进的神经网络的优越性、在 DeepWave 的 AIR-T 平台上对 T-PRIME 的实时可行性进行严格分析，以及利用开放 66 GB 的实时 OTA（Over-The-Air）WiFi 传输数据集进行训练，并发布了代码供社区使用，得出结果显示在模拟场景中几乎完美（即 > 98%）的分类准确率，显示在低信噪比范围内相比于传统方法有 100% 的检测改进，OTA 单协议传输的分类准确率为 97%，干扰场景下的双协议分类准确率高达 75%。
spectrum sharingwireless systemstransformer-based machine learningreal-time feasibilityclassification accuracy
发现论文，激发创造
  • SigT: 一种基于 Transformer 的高效端到端 MIMO-OFDM 接收机框架

    利用深度学习方法，提出了一种基于 transformer 的端到端 MIMO-OFDM 接收框架（SigT），该框架将每个天线接收到的信号视为 transformer 的 token，能够学习不同天线之间的空间相关性以缓解零样本问题，并且能够在无镶嵌序列的情况下良好地工作，提高了数据传输的有效性，并且相比于基准方法，SigT 在低信噪比环境或训练样本较少的环境下实现了更高的信号恢复准确性。

    Nov, 2022

  • 无线通信的多模态变压器：波束预测案例研究

    本文介绍了一种多模态变压器深度学习框架，用于辅助感知的波束预测。通过使用卷积神经网络从一系列图像、点云和雷达原始数据中提取特征，并使用变压器编码器学习不同模态和时间实例之间的隐藏关系，生成下一级特征提取的编码向量。通过在不同模态的组合上进行监督学习来训练模型，实验结果表明，使用图像和 GPS 数据训练的解决方案在预测波束的距离准确率方面表现最佳，为 78.44％，并具有有效的推广性。

    Sep, 2023

  • 在开放式无线接入网络中，保护机器学习驱动应用程序的数据隐私

    通过深度学习和数据加密技术，本文提出了一种解决隐私泄漏问题的方法，以保护机器学习模型在共享数据库中的准确性和性能，并在频谱共享和干扰抑制应用中取得显著改进。

    Feb, 2024

  • 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 Transformer 的 6G 智能网络：从海量 MIMO 处理到语义通信

    介绍了一种名为 transformer 的新型深度学习架构及其在 6G 网络设计中的应用，借助其自注意机制和强大的表示能力，提出了解决大规模 MIMO 和语义通信问题的解决方案，显示出优越性并探讨了其未来研究方向。

    May, 2022

  • 使用视觉 Transformer 进行实时语义通信演示

    该论文提出了一种基于端到端深度神经网络结构的图像传输方法，利用现场可编程门阵列（FPGA）在实时无线信道上实现了原型测试，结果表明该系统在使用流行的 CIFAR-10 数据集时，比传统 256 正交幅度调制系统在低信噪比情况下表现更好。本文是第一篇使用视觉变换器实现和研究实时语义通信的工作。

    May, 2022

  • 5G 及更高版本的调制和无线信号分类的多任务学习方法：通过模型压缩实现边缘部署

    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

  • 面向动态频谱访问的图像和无线数据多模态联合感知及任务导向通信

    本研究介绍了一种深度学习方法，利用多模态图像和频谱数据相结合，实现动态频谱访问，并识别潜在的发射器。通过使用边缘设备上的摄像头拍摄潜在对象（例如可能携带发射器的车辆），我们提出了一种协作系统，其中边缘设备与可信接收器之间进行有选择的信息通信并作出决策，以确定潜在的发射器是否存在。通过任务导向的通信，在发射器上使用编码器进行联合源编码、信道编码和调制，从而高效传输用于对象分类的精简维度的重要信息。同时，发送的信号可能会反射到物体并返回到发射器，从而实现目标感知数据的收集。然后，在发射器上对收集到的感知数据进行第二轮编码，通过任务导向的通信将降维后的信息传回融合中心。在接收端，解码器通过联合感知和任务导向的通信，执行识别发射器的任务。发射器的两个编码器以及接收器的解码器进行联合训练，实现了图像分类和无线信号检测的无缝集成。通过 AWGN 和 Rayleigh 信道模型，我们展示了所提出方法的有效性，在各种信道条件下取得了发射器识别的高准确性，并保持低延迟的决策过程。

    Dec, 2023

  • 深度神经网络变轻：基于深度压缩技术的自动射频调制识别在 5G 及其后网络中的应用研究

    本文主要介绍了一种自动无线电调制识别技术，结合深度压缩和加速技术提出了一种轻量神经网络模型，在边缘侧设备上可以实现物理层身份认证，自动信号处理，为未来 5G 及军用网络提供技术支持。同时，以自动雷达调制调制分类为例，对代表性加速方法进行了广泛分析并进行了计算指标衡量。

    Apr, 2022

  • 毫米波大规模 MIMO 系统直接混合预编码的深度学习

    本论文提出了一种新型的神经网络架构 (auto-precoder)，基于少量的训练数据，这种深度学习方法可以同时感知毫米波通道 (channel sensing) 和设计混合预编码矩阵 (hybrid precoding matrices)，从而降低了训练开销，实验结果表明，在 64 个发射天线和 64 个接收天线的系统中仅需 8 或 16 个通道训练数据即可实现近乎最优的速率，这是毫米波和大规模 MIMO 系统信道估计和混合预编码设计问题的一种有前途的解决方案。

    May, 2019