转移学习模型的应用,将CNN和自我注意机制结合在无线信号识别中的应用
Wu Wei1, Chenqi Zhu2, Lifan Hu2
1Nanjing Cowave Communication Technology Co., Ltd., Nanjing 211135, China.
Sensors (Basel, Switzerland)
|July 12, 2025
概括
混合型的TransConvNet可以在杂的低数据环境中增强无线信号识别. 这种深度学习方法实现了92.1%的准确性,超过了强大的信号识别的传统方法.
科学领域:
- 人工智能的人工智能
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 无线信号识别面临诸如低信号噪声比率 (SNR),低采样率和有限的标记数据等挑战.
- 现有的模型与这些复杂和资源有限的环境作斗争.
研究的目的:
- 提出TransConvNet,一种用于强大的无线信号识别的新型混合模型.
- 在具有挑战性的信号条件下解决现有方法的局限性.
主要方法:
- 开发了TransConvNet,集成卷积神经网络 (CNN) 进行特征提取和噪声抑制.
- 在变压器编码器内内置了自我注意机制,以捕获远程依赖.
- 使用预训练模型的转移学习来提高有限数据的性能.
主要成果:
- 通过将采样量缩减至1个MSPS的六类无线信号数据集,TransConvNet实现了92.1%的准确性.
- 在精度,RMSE和R2.2方面表现优于基线模型 (LSTM,CNN,RNN).
- 通过精确召回和ROC曲线,在不同的SNR条件下表现出强大的稳定性和优越的辨别能力.
结论:
- 对于无线信号识别,TransConvNet是有效和强大的,特别是在杂和资源有限的场景中.
- 结合CNN,自我注意力和转移学习的混合方法提供了显著的优势.
- 通过广泛的实验和与既有模型进行比较,验证了有效性.
