SURIMI: Supervised Radio Map Augmentation with Deep Learning and a Generative Adversarial Network for Fingerprint-based Indoor Positioning
Universitat Jaume I(海梅一世大学);Tampere University(坦佩雷大学);Universidade do Minho(米尼奥大学)
基于机器学习的室内定位在学术界和工业界都引起了越来越多的关注,因为可以从参考数据中提取有意义的信息。许多研究人员正在使用有监督、半监督和无监督的机器学习模型来减少定位误差,并为最终用户提供可靠的解决方案。在这篇文章中,我们提出了一种结合卷积神经网络(CNN),长短期记忆(LSTM)和生成对抗网络(GAN)的新架构,以增加训练数据,从而提高定位精度。在17个公共数据集中测试了监督和无监督模型的组合,对其性能进行了广泛的分析。结果,其中70%以上的定位误差得到了减小。
2022-07-13 cs.LG eess.SP
EDA-RoF: Elastic Digital-Analog Radio-Over-Fiber (RoF) Modulation and Demodulation Architecture Enabling Seamless Transition Between Analog RoF and Digital RoF
Hunan Province Key Laboratory of Credible Intelligent Navigation and Positioning, Key Laboratory of Intelligent, Computing and Information Processing of Ministry of Education, National Center for Applied Mathematics in Hunan, Xiangtan University(湘潭大学);College of Meteorology and Oceanology, National University of Defense Technology(国防科技大学气象海洋学院)
EDA-RoF架构通过弹性数字-模拟调制解调技术,实现模拟与数字RoF之间的无缝过渡,并在SNR缩放方面表现出近线性特性。
2025-12-23 eess.SP
Multicarrier Modulation-Based Digital Radio-over-Fibre System Achieving Unequal Bit Protection with Over 10 dB SNR Gain
本文提出基于多载波调制的数字光载无线系统,通过子载波比特与功率分配实现非等比特保护,理论信噪比增益达16.1 dB,带宽受限仿真增益为13.5 dB。
2023-07-04 eess.SP
Radio Frequency Amplitude-Modulation to Frequency-Modulation Signal Converter
本项目开发并演示了一种模拟拓扑,通过AM解调电路耦合压控振荡器(VCO),实现530 kHz-1700 kHz AM信号到88 MHz-108 MHz FM信号的高保真转换。
2025-09-15 eess.SP
Comparative Analysis of Attention Mechanisms for Automatic Modulation Classification in Radio Frequency Signals
本研究比较了三种注意力机制与CNN结合的射频信号调制分类性能,提出CNN-Transformer混合架构,基线注意力准确率最高达85.05%,因果和稀疏注意力推理时间分别减少83%和75%,为实时处理提供设计见解。
2025-07-30 eess.SP
Training Data Augmentation for Deep Learning Radio Frequency Systems
Ted and Karyn Hume Center for National Security and Technology(特德与卡琳·休姆国家安全与技术中心);Adapdix Corporation(Adapdix公司)
机器学习的应用受三个主要组成部分的影响,这些组成部分对最终的性能指标有贡献。在神经网络的范畴内,特别是深度学习,前两个是正在训练的模型的架构和使用的训练方法。这项工作的重点是第三个组成部分,在训练过程中使用的数据。出现的主要问题是“数据中有什么”和“数据中有什么重要的?”将自动调制分类(AMC)的射频机器学习(RFML)领域作为用于态势感知的工具的一个示例,对合成、捕获和增强数据的使用进行检查和比较,以提供关于实现所需性能水平所需的可用数据的数量和质量的见解。在这项工作中讨论了三个问题:(1)在不考虑合成内的环境的情况下部署合成训练系统时,预计该系统有多有用,(2)如何在RFML域中利用增强,以及最后,(3)传输信道引起的信号退化的影响知识对系统的性能有什么贡献。一般来说,每个被检查的数据类型都对最终应用程序有有用的贡献,但是与预期用例密切相关的捕获数据将始终提供更重要的信息并实现最大的性能。尽管捕获的数据有很多好处,但实时收集所带来的困难和成本往往使实现峰值性能所需的数据量变得不切实际。本文有助于量化真实数据和合成数据之间的平衡,提供具体的例子,其中训练数据的大小和来源参数变化。
2021-01-04 cs.LG eess.SP
Deep Transfer Clustering of Radio Signals
调制识别是无线电信号处理中的一项重要任务。目前的研究大多集中在监督学习上。然而,在许多实际场景中,获取信号的标签是困难的和成本的。在这封信中,我们转向更具挑战性的问题:我们能否仅基于大量未标记的无线电信号来聚类调制类型?如果这个问题能够得到解决,那么我们也可以通过手动标记非常少量的样本来识别调制类型。为了解决这个问题,我们提出了一个深度转移聚类(DTC)模型。DTC将特征学习和深度聚类自然地结合在一起,并进一步采用迁移学习机制来提高嵌入式卷积神经网络(CNN)模型的特征提取能力。实验证明,我们的DTC显着优于一些基线,实现了最先进的性能聚类无线电信号调制识别。
2021-07-26 eess.SP
A Radio Signal Modulation Recognition Algorithm Based on Residual Networks and Attention Mechanisms
College of Electrical Engineering, Sichuan University(四川大学电气工程学院)
针对通信信号调制类型识别不准确的问题,提出了一种结合残差块网络和注意力机制的RNN神经网络识别算法。在该方法中,从MASK、MPSK、MFSK、OFDM、16QAM、AM和FM等10种标准数据集中产生了具有高斯白噪声的通信信号。在原有RNN神经网络的基础上,加入残差块网络,解决了网络层较深导致梯度消失的问题。网络中添加了注意力机制,以加速梯度下降。实验中以16QAM、2FSK和4FSK为实际样本,以信号的IQ数据帧为输入,训练了残差块网络和注意力机制相结合的RNN神经网络。最终的识别结果表明,实时信号的平均识别率超过93%。该网络具有很高的鲁棒性和很好的使用价值。
2019-09-27 cs.CV cs.LG eess.SP
Radio Frequency Magnet-free Circulators Based on Spatiotemporal Modulation of Surface Acoustic Wave Filters
本文提出了一种新一代高性能无磁环行器。环行器是现代通信系统中的关键器件,因为它们能够直接在射频(RF)前端的物理层中实现全带宽并使频谱效率加倍。传统上,通过向铁氧体材料施加磁偏置来破坏洛伦兹互易性,因此常规环行器体积庞大且昂贵。在本文中,这个问题是解决取代磁偏置与周期性时空调制。与以前的作品相比,建议的环行器构造使用表面声波(SAW)滤波器,而不是传输线(TL),这降低了至少20倍的调制频率,并确保超低功耗和高线性度。小型化的高品质(Q)因子SAW滤波器还在芯片级上实现了具有强隔离(IX)和宽带宽(BW)的低损耗非互易频带,从而解决了先前无磁演示中的此类限制。此外,与传统的差分电路结构相比,一种新颖的四通道结构被开发出来,它使无互调带宽增加了一倍。
2019-05-30 eess.SP
Enhancing Automatic Modulation Recognition through Robust Global Feature Extraction
Tsinghua University(清华大学)
提出结合transformer和LSTM的TLDNN混合深度框架及SS数据增强策略,通过全局特征提取提升自动调制识别性能,在少样本等场景下展现出最先进的效果与低复杂度优势。
2024-01-02 cs.AI cs.LG eess.SP
Parameter Estimation based Automatic Modulation Recognition for Radio Frequency Signal
针对现有自动调制识别方法需预设载波参数、深度学习模型复杂度高难部署的问题,提出结合功率谱参数估计与LSTM网络的射频信号识别方法,实现90%以上的识别准确率。
2024-12-11 eess.SP
Deep Modulation Embedding
DRONEASURE
深度神经网络最近在不同的研究方向上显示出非常有前途的应用,也引起了业界的关注。虽然这个想法是在过去提出的,但最近使用这类算法的主要限制是通过在GPU硬件上实现并行计算来解决的。这类算法的优越性为硬件原型的实现开辟了可能性,也引发了通信系统的几个研究方向。其中认知无线电,调制识别,基于学习的接收机和收发机已经给出了非常有趣的结果,在软件定义无线电实现的仿真和实际实验评估。具体来说,调制识别主要是作为一个分类问题,这是一个监督学习框架。但在这里,它是作为一个无监督的问题来解决的,引入了新的训练特征,新的损失函数,并研究了管道对几种失配条件的鲁棒性。
2019-04-15 cs.LG eess.SP stat.ML
Towards Length-Versatile and Noise-Robust Radio Frequency Fingerprint Identification
射频指纹识别(RFFI)可以通过分析由固有硬件损伤引起的信号失真来对无线设备进行分类。RFFI采用了最先进的神经网络。然而,许多神经网络,例如,多层感知器(MLP)和卷积神经网络(CNN)需要固定大小的输入数据。此外,许多物联网设备工作在低信噪比(SNR)场景中,但很少研究这种场景中的RFFI性能。在本文中,我们分析了为什么MLP和CNN为基础的RFFI系统的输入大小的限制。为了克服这一点,我们提出了四种可以处理可变长度信号的神经网络,即无干扰CNN,长短期记忆(LSTM)网络,门控递归单元(GRU)网络和Transformer。我们在训练过程中采用了数据增强,这可以显着提高模型对噪声的鲁棒性。我们比较两个增强方案,即离线和在线增强。结果表明,在线的表现更好。在推理过程中,进一步利用多分组推理方法来提高低SNR场景下的分类准确度。我们以LoRa为案例研究,并通过在各种SNR条件下对10种商用现成LoRa设备进行分类来评估该系统。在线增强可以将低信噪比分类精度提高高达50%,多包推理方法可以进一步提高精度超过20%。
2022-07-06 eess.SP
Mode Hopping with OAM-Based Index Modulation
针对无线电涡旋通信中OAM模式跳变频谱效率低的问题,提出基于索引调制的多模式跳变方案,推导频谱效率上下界并优化跳变模式,实现高频谱效率与可靠性平衡。
2024-07-18 eess.SP
Seeing Radio: From Zero RF Priors to Explainable Modulation Recognition with Vision Language Models
Khalifa University(哈利法大学);College of Information Science and Electronic Engineering, Zhejiang University(浙江大学信息与电子工程学院);Université de Lorraine(洛林大学)
本文提出利用视觉语言模型直接感知无线电波信号并推断调制模式,通过转换IQ流为图像数据,提升模型准确性至90%,并实现可解释的调制识别。
2026-02-15 eess.SP
Deep Learning for Spectral Filling in Radio Frequency Applications
Pacific Northwest National Laboratory(太平洋西北国家实验室)
由于物联网(IoT)的激增,射频(RF)信道越来越多地被新型设备所拥塞,这些设备承载着独特而多样化的通信需求。这在现代数字通信中提出了复杂的挑战,并且要求开发技术创新,其(i)在有限带宽环境中优化容量(比特率),(ii)与已经部署的RF协议协作地集成,以及(iii)适应现代数字通信中不断变化的需求。在本文中,我们提出了将深度神经网络应用于频谱填充的方法。给定RF信道以预先建立的调制方案发送数字消息,我们自动学习新颖的调制方案,用于以附加消息的形式在固定调制信号”周围“发送额外信息(即,而不干扰它们)。这样做,我们有效地增加了信道容量而不增加带宽。我们进一步证明了生成与原始调制非常相似的信号的能力,使得第三方侦听器无法检测到额外消息的存在。我们提出了三个计算实验证明我们的方法的有效性,并通过讨论我们的结果对现代RF应用的影响得出结论。
2022-03-31 cs.IT cs.LG eess.SP
Deep Learning for Multi-Antenna Modulation Recognition of Radio Signals
College of Electrical and Information Engineering, Quzhou University, Quzhou 324000, China(庆州大学电气与信息工程学院);National Key Laboratory of Electromagnetic Space Security, Jiaxing 314033, China(电磁空间安全国家重点实验室);Institute of Cyberspace Security(网络空间安全研究院);College of Information Engineering, Zhejiang University of Technology, Hangzhou 310023, China(浙江工业大学信息工程学院)
本文提出MAMR-IQ方法,利用多天线接收系统多样性增益提升调制识别性能,通过拼接多天线原始IQ信号输入卷积神经网络,在少样本场景下通过数据增强方法提升识别准确率。
2026-04-20 cs.LG cs.SY eess.SP
Deep-Learned Compression for Radio-Frequency Signal Classification
Rowan University(罗文大学)
针对射频数据传输的带宽与延迟问题,提出基于学习向量量化的深度学习压缩模型HQARF,评估其对6类调制信号分类AI性能的影响。
2024-03-05 cs.LG cs.NI eess.SP
Data-and-Knowledge Dual-Driven Automatic Modulation Recognition for Wireless Communication Networks
在无线通信网络中,自动识别调制方式是一个非常重要的问题。基于深度学习的自动调制分类方案由于其优越的准确性而引起了广泛的关注。然而,数据驱动的方法依赖于大量的训练样本,并且在低信噪比(SNR)下分类精度较差。为了解决这些问题,提出了一种基于射频机器学习的数据和知识双重驱动的自动调制分类方法。视觉模型用于提取视觉特征。属性学习模型用于学习属性的语义表示。提出了属性表示到视觉空间的转换模型。大量的仿真结果表明,我们提出的自动调制分类方案可以实现更好的性能比基准方案的分类精度,特别是在低信噪比。此外,与其他传统的方案相比,我们提出的方案减少了高阶调制之间的混淆。
2022-06-30 eess.SP
Edge Learning Based Collaborative Automatic Modulation Classification for Hierarchical Cognitive Radio Networks
针对分层认知无线电网络中调制分类的计算负载、传输开销与隐私问题,提出基于边缘学习的协作自动调制分类框架,联合边缘设备与服务器进行智能协同推理,在平衡计算资源的同时有效提升了分类精度与数据压缩率。
2024-07-30 cs.NI eess.SP
Time Index Modulation-Driven Standalone RIS Mechanism for Symbiotic Radio
本文提出一种独立RIS通过无线能量采集自维持的共生无线电系统,利用时间索引调制实现信息与功率同传,并设计LLR检测器,从采集直流功率和误码率两方面验证方案性能。
2024-06-30 eess.SP
The Importance of Being Earnest: Performance of Modulation Classification for Real RF Signals
数字调制分类(DMC)对于在复杂的新兴无线网络中为无线电设备配备增强的频谱感知能力是非常有价值的。然而,由于现有的文献绝大多数是基于理论或仿真结果,目前还不清楚如何以及DMC在实践中执行。在本文中,我们研究了DMC在现实世界的无线网络中的性能,使用广泛的RF信号数据集的250,000通过空中传输异构收发器硬件和同信道干扰。我们的研究结果表明,DMC可以实现较高的分类精度,即使在具有挑战性的现实世界条件下的调制同信道干扰和低品位的硬件。然而,这仅在训练数据集完全捕获真实无线电环境中的各种干扰和硬件类型时才成立;否则,DMC性能显著恶化。我们的工作有两个重要的工程意义。首先,它表明,在实践中,在不同的无线电环境和设备之间交换学习的分类器模型并不简单。其次,我们的分析表明,DMC的实际部署的关键缺失环节是设计信号功能,以及推广到不同的无线网络场景。我们正在公开我们的RF信号数据集,作为迈向现实DMC评估统一框架的一步。
2018-09-19 cs.LG cs.NI eess.SP
Energy Aware Wireless System based Software Defined Radio
绿色电信系统的发展已经被标准机构认为是非常有吸引力的,最近正在吸引研究的注意力。虽然大多数的研究集中在建模和仿真,在这项工作中,我们实现了一个实验室设置,以测试基于软件定义的无线电和太阳能电力系统的能量感知无线系统。此外,我们提出了一种能量感知的自适应调制算法,该算法在设置调制阶数之前考虑太阳能电池的充电状态。此外,该算法适应用户之间的连接模式和质量模式的偏好。
2019-07-12 eess.SP
Specific Emitter Identification Handling Modulation Variation with Margin Disparity Discrepancy
本文提出基于边缘差异不一致的域不变特征方法,以增强特定发射机识别在调制变化环境中的鲁棒性,实验显示准确率平均提升超20%。
2024-03-18 eess.SP
Database Assisted Automatic Modulation Classification Using Sequential Minimal Optimization
在本文中,我们提出了一种新的算法来识别未知的输入信号的调制方案,以减轻对主用户的干扰,在认知无线电系统,这是通过使用自动调制分类(AMC)在软件定义无线电(SDR)的前端方便。在这项研究中,我们使用的模拟和数字调制属于11类的计算机模拟。基于光谱的特征已被用作序列最小优化(SMO)的输入特征。将主用户的这些特征存储在数据库中,然后将未知信号的特征与数据库中的特征进行匹配。基于最近提出的AMC,我们的新数据库方法继承了基于SMO的方法的优点,并使其在对未知信号进行分类时更具时间效率,特别是在多调制方案的情况下,以克服构建特征时的密集计算问题。在各种应用中,主用户拥有频繁的无线传输,限制了其特征大小并节省了很少的计算。基于SMO的分类方法在信噪比为15 dB时的分类准确率超过99%,在信噪比为5dB左右时的分类准确率超过95%。
2018-06-20 eess.SP
Chain-Net: Learning Deep Model for Modulation Classification Under Synthetic Channel Impairment
调制分类是物理层中信号检测和解调之间的中间过程,现在引起了认知无线电领域的更多兴趣,其中性能由人工智能算法提供动力。然而,大多数现有的传统方法构成的障碍,有效地学习弱歧视性调制模式。本文提出了一种鲁棒的调制分类方法,利用深度学习来捕获调制信号在多尺度特征表示上的有意义信息。为此,开发了一种新的卷积神经网络架构,即Chain-Net,它具有组织在两个处理流程中的各种非对称内核,并通过深度级联和元素加法进行关联,以优化特征利用率。该网络在14种具有挑战性的调制格式的大数据集上进行评估,包括模拟和高阶数字技术。仿真结果表明,Chain-Net鲁棒地分类了遭受合成信道恶化的无线电信号的调制,并且比其他深度网络表现更好。
2020-09-04 cs.IT eess.SP math.IT
Radio Frequency Fingerprint Identification for Security in Low-Cost IoT Devices
射频指纹识别(RFFI)可以通过分析由固有硬件损伤引起的接收信号失真来唯一地分类无线设备。卷积神经网络(CNN)等最先进的深度学习技术已被用于对物联网设备进行高精度分类。然而,基于深度学习的RFFI需要固定大小的输入数据。此外,许多物联网设备工作在低信噪比(SNR)场景中,但很少研究低SNR RFFI。在本文中,最先进的Transformer模型被用作分类器,它可以处理的信号的可变长度。采用数据增强技术提高低信噪比RFFI的性能。进一步提出了一种多包推理方法,以提高低信噪比情况下的分类精度。我们以LoRa为案例研究,并通过在各种SNR条件下对10种商用现成LoRa设备进行分类来评估该系统。在线增强可以将低SNR RFFI性能提高高达50%,多包推理可以进一步提高20%以上。
2021-11-28 eess.SP
Modulation Design and Optimization for RIS-Assisted Symbiotic Radios
针对RIS辅助共生无线电中直射链路受阻时联合检测的模糊问题,提出将相移矩阵分为符号不变和符号变化分量的新型调制方案,通过最小化复合信号误码率推导出闭式解,显著提升了主次信号的传输性能。
2024-04-26 cs.IT eess.SP math.IT
SR-DCSK Cooperative Communication System with Code Index Modulation: A New Design for 6G New Radios
提出了一种基于码索引调制的高吞吐量短参考差分混沌键控协作通信系统(CIM-SR-DCSK-CC)。在CIM-SR-DCSK-CC系统中,源节点在第一个时隙向中继节点和目的节点发送信息比特,而中继节点在第二个时隙不仅转发源节点的信息比特,还向目的节点发送新的信息比特。具体地,中继器采用$N$阶Walsh码来携带附加的${{\log }_{2}}N$信息比特,该附加的${{\log }_{2}}N$信息比特被叠加到携带解码的源信息比特的SR-DCSK信号上。随后,携带源和中继信息比特的叠加信号被发送到目的地。此外,推导了在加性高斯白噪声(AWGN)和多径瑞利衰落信道下,CIM-SR-DCSK-CC系统的理论出错率(BER)表达式。与传统的DCSK-CC系统和SR-DCSK-CC系统相比,CIM-SR-DCSK-CC系统在不降低系统误码性能的前提下,可以显著提高系统的吞吐量。因此,所提出的系统是非常有前途的6 G使能的低功耗和高速率通信的应用。
2022-08-27 cs.IT eess.SP math.IT
Over-the-Air Modulation for RIS-assisted Symbiotic Radios: Design, Analysis, and Optimization
针对RIS辅助共生无线电中主次信号联合检测的模糊和误码率平底问题,提出将相移矩阵分为辅助与传输波束成形矩阵,并通过逐次凸逼近和低复杂度结构优化BER,揭示了主次系统性能折中。
2024-04-26 cs.IT eess.SP math.IT
Interference-Free Backscatter Communications for OFDM-Based Symbiotic Radio
本研究针对共生无线电系统,提出三种基于FSK的OFDM反向散射调制方案,通过基站清空特定子载波实现主信号与反向散射信号正交,采用非相干检测解决信道估计难题,仿真显示30 dB时误码率低至10⁻⁴。
2025-02-12 eess.SP
A New Radio to Overcome Critical Link Budgets
本文提出MA-TISK多载波无线电概念,通过多天线恒包络信号和时间合并,无需波束对准即可克服关键链路预算,并支持高效广播与FFT解调。
2024-02-20 cs.IT eess.SP math.IT
Learning Constellation Map with Deep CNN for Accurate Modulation Recognition
调制分类被认为是信号检测和解调之间的中间步骤,被广泛地部署在几个现代无线通信系统中。虽然在过去的几十年中已经研究了许多方法来识别输入信号的调制格式,但它们通常揭示了大多数传统机器学习算法学习无线电特性的障碍。为了克服这个缺点,我们提出了一种精确的调制分类方法,通过利用深度学习与星座图兼容。特别地,卷积神经网络被开发用于熟练地学习灰度星座图的最相关的无线电特性。深度网络由多个处理块指定,其中每个块中的几个分组和非对称卷积层由流中流结构组织,用于特征丰富。这些块通过跳跃连接来连接,以防止消失梯度问题,同时有效地保留整个网络中的信息标识。关于对八种数字调制的星座图像数据集的几次密集模拟,所提出的深度网络在多径瑞利衰落信道下在0 dB信噪比(SNR)下实现了约87%的显著分类准确率,并且进一步优于一些最先进的基于星座的调制分类的深度模型。
2020-09-04 cs.IT eess.SP math.IT