基于多任务学习的深度信号识别,用于高级频谱传感
Hanjin Kim1, Young-Jin Kim2, Won-Tae Kim1
1Future Convergence Engineering Major, Department of Computer Science and Engineering, Korea University of Technology and Education, Cheonan 31253, Republic of Korea.
Sensors (Basel, Switzerland)
|December 23, 2023
概括
DSINet通过识别多个维度的信号来增强无线频谱传感. 这种深度学习方法可以提高信号分类和计算效率,从而更好地利用频谱.
科学领域:
- 电气工程 电气工程
- 计算机科学 计算机科学
- 电信 电信服务 电信服务 电信服务
背景情况:
- 越来越多的无线通信需求使频谱动态变得复杂,特别是在未经许可的频段.
- 高效的频谱利用和干扰减少需要先进的频谱传感能力.
- 目前的信号识别方法提供有限的频谱使用见解,主要关注分类.
研究的目的:
- 推出DSINet,这是一个用于先进频谱传感的深度学习网络.
- 通过分析多个频谱维度来解决深度信号识别的挑战.
- 改进多维频谱状态和信号特征的检测.
主要方法:
- 开发了基于多任务学习的深度神经网络DSINet.
- 实现DSINet用于跨时间,频率,功率和代码维度的信号识别.
- 对现有的浅信号识别模型进行了比较分析.
主要成果:
- 在信号分类 (3.3%),大厅检测 (3.3%) 和调制分类 (5.7%) 中,DSINet表现出卓越的性能.
- 与单任务学习模型相比,该网络实现了65.5%更小的模型大小.
- 与单任务方法相比,DSINet在计算性能上表现出了230%的改进.
结论:
- DSINet为先进的频谱传感系统提供了强大的解决方案.
- 多任务学习方法可以实现全面的频谱使用特征导出.
- 通过提高效率和减少模型大小,DSINet提供了实际的优势.
