深度学习用于低延迟、量子就绪的射频传感
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。
Dec, 2023
我们提出了基于深度学习压缩(DLC)模型 HQARF 的方法,该模型利用了学习的向量量化(VQ)来压缩由 6 个调制类组成的复杂值射频信号样本,以提高人工智能模型对射频信号调制类别推断的性能,并减少带宽和存储的使用以及实时应用的延迟。
Mar, 2024
通过引入基于深度学习的量子感测方案(DQS),光学量子传感器在未知环境中达到 Heisenberg 极限,利用图神经网络预测器和三角插值算法实现对光学装置与量子费舍尔信息之间的内在关系的发掘,从而加速光学量子感测任务并促进深度学习与量子力学的未来研究。
Nov, 2023
本文介绍了一个用于读取无芯片 RFID 传感器标签的鲁棒性方法,首次应用机器学习和深度学习回归建模技术,通过大规模机器人测量从定制的 3 位无芯片 RFID 传感器标签中获取的雷达截面积(RCS)数据集。通过自动化数据采集方法和一维卷积神经网络,实现了对 9600 个电磁 RCS 签名进行训练和验证,报告了鲁棒性检测标识和传感数据的端到端设计和实现方法,并首次报道了标签表面形状、倾斜角度和读取范围变化对模型的影响。结果显示,所有模型都能很好地推广到给定数据,但一维卷积神经网络模型在检测标识和传感数值方面表现优于传统的机器学习模型,最佳一维卷积神经网络模型结构在标签 ID 和电容式传感方面的均方根误差较低,分别为 0.061(0.87%)和 0.0241(3.44%)错误。
Aug, 2023
本文探讨了将 RF 指纹技术与密码学和零信任安全措施相结合以保障无线网络中数据隐私、机密性和完整性的可行性,并综述了 RF 指纹技术的历史、应用、相关的深度学习算法,并探讨了该领域未来的发展方向。
Jan, 2022
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
本文研究了在 3.5 GHz 频段内使用 13 种不同的算法(包括信号检测理论和机器学习)以及深度学习架构进行 SPN-43 雷达检测的性能表现,并发现机器学习算法优于传统信号检测方法。
Jun, 2018
该研究探索了量子深度学习模型在解决传统深度学习模型难以处理的具有挑战性的机器学习问题方面的潜力。我们介绍了一种新型模型架构,将经典卷积层与量子神经网络相结合,旨在超越现有最先进的准确性,同时保持紧凑的模型尺寸。该实验对来自 Bird-CLEF 2021 数据集的高维音频数据进行分类,我们的评估重点关注训练持续时间、模型准确性和总模型尺寸等关键指标。这项研究证明了量子机器学习在增强机器学习任务和解决当今实际机器学习挑战方面的潜力。
Dec, 2023
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