MMApr, 2024

边缘高效的深度学习模型用于自动调制分类：性能分析

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 利用早期退出在自动调制分类中进行快速推断

    通过应用早期退出方法来加速深度学习模型的推断过程，本文提出了四种早期退出架构和一种自定义的多分支训练算法，研究了模拟调制分类的分类准确性和推断时间之间的权衡，并证明早期退出技术可以显著减少深度神经网络的推断速度，同时保持分类准确性。

    Aug, 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

  • 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

  • 基于深度学习的无线分类器的对抗鲁棒性研究

    为应对联合问题，本研究提出两种优化的深度学习模型通过知识蒸馏和网络修剪，并引入计算高效的对抗训练过程来提高模型的鲁棒性，实验结果表明这两种优化和对抗训练模型在白盒攻击下比标准模型更具鲁棒性，在干净样本上也能达到更高的准确率，从而为边缘应用的深度学习解决方案的可靠性提供有效支持。

    Apr, 2024

  • 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

  • MoE-AMC: 使用专家混合提升自动调制分类性能

    在时间序列分析中，自动调制识别（AMC）在信号分类和识别等无线通信领域起着重要的作用。本研究提出了 MoE-AMC，这是一种基于混合专家（MoE）模型，旨在在不同信噪比条件下均衡地处理 AMC 问题。实验表明，MoE-AMC 能够以领先的分类准确度捕捉不同信噪比情况下的独特信号特征，为无线通信系统中的信号分类准确度提供了一种有前景的方法。

    Dec, 2023

  • 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

  • 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

  • SplitAMC：面向鲁棒性自动调制分类的分割学习

    提出了一个基于分离学习（SL）框架的新型自动调制分类（AMC）方法，名为 SplitAMC，可在保证数据隐私和低延迟的同时，即使在低质量信道下也能实现高准确度，其通过交换打碎数据及其梯度而不是原始数据，为每个客户端提供数据隐私保护，并具有噪声鲁棒性。数值评估表明，SplitAMC 在所有 SNR 和延迟方面优于 CentAMC 和 FedeAMC。

    Apr, 2023