Deep Learning
文章平均质量分 85
希望我努力一点
这个作者很懒,什么都没留下…
展开
-
SENet 阅读
摘要:卷积神经网络的核心是卷积操作,能够通过在每层使用区域感受野融合空间以及通道维度的信息来构建信息特征。本文里,作者聚焦于通道关系,提出了一个新的结构单元 SE(Squeeze Excitation)block,通过建模通道之间的依赖,适应性地校准通道特征。 相比于现有性能优越的CNN,SENet在只增加轻微复杂度的同时获得了显著的性能提升。源码:https://github.com/hujie-frank/SENet论文:[1709.01507] Squeeze-and-Excitat...原创 2021-12-23 11:13:13 · 1783 阅读 · 0 评论 -
Frequency-based Automated ModulationClassification in the Presence of Adversaries 2021
作者没有提供源码 深度神经网络对于对抗性攻击很脆弱,它会引入额外的噪声干扰,导致在训练好的模型上的高置信率的错误分类,但是对时域欺骗的对抗性攻击不容易转移到使用频域特征训练的模型上,所以本文使用频域特征训练,增加正确分类被干扰信号的概率,本文在四个模型上进行IQ特征和频域特征作为输入的训练,并分析了在有无对抗性攻击时的模型性能,量化带有现实通信约束的无线信道中对抗性可转移性的程度。II AMC方法 发送信号s,收到信号x,k是时间,n是高斯白噪音,...原创 2021-09-11 18:00:59 · 201 阅读 · 0 评论 -
perm2vec: Attentive Graph Permutation Selectionfor Decoding of Error Correction Codes 阅读 2021
纠错码可以提高通信传输的可靠性,传输码字的最优解码方法是最大似然法,但由于维数问题,这是(NP-hard),所以实际人们采用次优解码算法。一个关键是置换解码中置换的选择,我们结合领域知识和机器学习概念(如节点嵌入和自注意力),与基线解码器相比,我们的方法减轻了误码率。I INTRODUCTION 实际中,延迟和计算复杂度限制了码字大小,所以人们提出了有低复杂度编码和解码方法的结构化码字。一些结构化码字都拥有置换群(PG)的主要特征,PG中的置换可以把码字映射为某个不同的...原创 2021-09-05 14:43:47 · 120 阅读 · 0 评论 -
Wireless Image Transmission Using Deep SourceChannel Coding With Attention Modules 阅读2021
extension://bfdogplmndidlpjfhoijckpakkdjkkil/pdf/viewer.html?file=file%3A%2F%2F%2FF%3A%2Fdownload%2F2012.00533.pdfADJSCC和BDJSCC源码:https://github.com/alexxu1988/ADJSCC| introduction目前已经存在的基于DL的联合信源信道编码方法(JSCC)都假定用来优化网络的信道情况特别是SNR和实际通信...原创 2021-09-02 18:17:13 · 1907 阅读 · 0 评论 -
spatial transformer networks
Kevin Zakka's Blog在ConvNN中,我们通常使用池化层来提供空间不变性,池化层可以将复杂的图像划分为cells,每个小网格监测信息描述输出,而不用关注其位置信息。 但是池化层有以下缺点:1)丢弃了75%的特征激活,使我们丢失位置信息,但视觉认知任务中这是非常重要的。2)池化是Local and predefined,小的感受野会影响网络更深的层,使中间特征图经受更大的输入失真,但增大感受野又会使下采样特征图太激进。 即由一个受限的预定...原创 2021-09-01 21:36:20 · 1289 阅读 · 0 评论 -
Convolutional Radio ModulationRecognition Networks阅读2016
2 Modulation Recognition 调制识别可以看作N分类决策问题,输入是接收信号的复基带时间序列表示。真实世界的接收信号可以表示为如下公式: 包含了真实世界的一些效应,通过随机残余载波nLo(t)调制,使用随机残余时钟振荡器nClk(t)重采样,具有时变旋转非恒定幅度的信道脉冲响应 h(t − τ )卷积,添加一个可能不是白噪音的噪音nAdd(t).每一个都是一个未知的时变错误源。 在如此严酷的现实环境里最优化分析专家特征和决策矩阵很...原创 2021-08-25 23:33:35 · 1772 阅读 · 2 评论 -
An Optimized Radio Modulation Classifier Using Deep Neural Network阅读 2020
文章提出了一个使用DL在不同的信噪比处区分不同调制类型的自动调制分类模型,通过选择合适的CNN超参数,优化了O‘shea的模型(“Convolutional radiomodulation recognition networks,2016”,性能超过基于专家特征的传统方法,对于不同任务学习特征具有灵活性,分类精确度提高),获得了每个SNR级别的最好的精确度,优化模型使用CNN4。II. CLASSICAL RADIO MODULATOR CLASSIFIERS 传统调...原创 2021-08-23 23:24:50 · 770 阅读 · 2 评论 -
Learning Robust General Radio Signal Detection using Computer Vision Methods阅读2017
无线电信号的检测和定位是临近用户的检测和互相操作、干扰源的检测和分离、重要频谱事件标记或者识别频谱空缺的基础,本文使用用边界框回归的基于时频谱的CNN实现无线电信号的检测与定位,应用YOLO的变体,使用被标记的宽带频谱和边界框训练高效的信号检测器。技术方法:信号检测和定位类似于视觉目标识别的问题,这里有很多技术被使用,如Fater RCNN,性能极好,对图片采用预测边界框、标签和目标可能性的方法,采用迭代元素,对不同区域的多个目标运行多个网络前馈传递去调整边界框预测,...原创 2021-08-23 15:56:44 · 122 阅读 · 1 评论 -
Over the Air Deep Learning Based Radio Signal Classification阅读2017
背景:A:基线分类方法 1)统计调制特征:高阶统计量HOS,高阶矩HOM高阶累积量HOC,HOC对于调制类型有很强的区分能力。 模拟特征:平均值、标准偏移、标准中心幅度的偏差、中心相位、瞬时频率、正则化瞬时频率绝对值等。 2)决策准则(用于映射我们的基线特征到标签上):概率推导决策树、SVM、神经网络等,我们选择使用XGBoost方法作为特征分类器,性能优于单一决策树、SVM等。B:无线信道模型...原创 2021-08-23 15:52:56 · 1013 阅读 · 0 评论 -
Robust Deep Radio Frequency Spectrum Learning for Future Wireless Communications Systems阅读 2020
探索如何设计一个强健的深度学习模型,能够在实际中使用RF数据的不同的无线通信场景中对未知数据泛化良好。我们分析,要想完成不同场景中rf学习的鲁棒性和实践性,必须对于SNR的选择和训练测试方法有独特的问题设计,比如SNR的训练步长,及测试集的选择。数据生成:对于不同的场景,使用不同的设备参数设计。(USRP,LABVIEW)网络设计:比较了CNN与RNN,CNN花费的训练时间更短,所以选择CNN。本文设计4层的CNN,包括两个卷积层,两...原创 2021-08-23 15:44:49 · 124 阅读 · 0 评论 -
Spectrum Sensing Based on Deep Learning Classification for Cognitive Radios阅读 2019
以前的传统感知方法->机器学习合作频谱感知->单节点频谱感知,提前提取特征然后神经网络分类。我们思考通常情况下的频谱感知问题,而非具体信号的监测,将频谱感知看作一个两类的分类问题,判断是否有信号或者只有噪音,使用检测率和虚警率作为评价指标。cnn模型:本文使用残差卷积网络模型,能够在网络层数增加时维持网络性能,为了处理噪声功率不确定性问题,正则化信号功率,计算功率谱作为cnn输入,然后使用大量不同类型的信号和噪声训练网络...原创 2021-08-23 15:40:24 · 620 阅读 · 3 评论 -
wireless interference identification with convolutional neural networks阅读 2017
对于免许可频段的如2.4GHZ ISM 频带进行无线干扰识别,识别当前的信号类别。对象包括:宽带高速率IEEE802.11b/g/n,窄带低速率IEEE802.15.4和802.15.1的15个类别(10,2,3)。为了现实无线设备兼容,限制感知带宽10MHZ,感知快照为12.8us的128个IQ样本的感知快照。本文的数据使用单标签数据,平坦衰落信道模型使问题更简单,添加-20db到20db,步长为2的高斯白噪声,使用151200个感知快照用于训练...原创 2021-08-23 15:35:11 · 169 阅读 · 2 评论 -
YOLO9000:Better, Faster, Stronger阅读
本文介绍的是2017年IEEE发布的文章YOLO9000:Better, Faster, Stronger.资源获取:https://pjreddie.com/darknet/yolo/YOLO9000是一个可以检测超过9000个对象的实时目标检测系统,性能优越。INTRIDUCTION目前很多目标检测方法都受限于小的目标类。相对于分类和标记任务,数据集有限,最常见的检测数据集包含数千到数十万张带有数十到数百个标签的图像 ,而分类数据集有数百万个图像,包含数万或数十万个类别。...原创 2021-08-23 16:47:58 · 225 阅读 · 0 评论