Frequency-based Automated Modulation Classification in the Presence of Adversaries
School of Electrical and Computer Engineering, Purdue University（普渡大学电气与计算机工程学院）
自动调制分类（AMC）旨在通过自动预测无线RF信号的调制星座来提高拥挤的无线电频谱的效率。最近的工作已经证明了深度学习使用原始同相和正交（IQ）时间样本实现强大AMC性能的能力。然而，深度学习模型非常容易受到对抗性干扰的影响，这会导致智能预测模型以高置信度对接收到的样本进行错误分类。此外，对抗性干扰通常是可转移的，允许对手使用为特定分类网络设计的单个扰动来攻击多个深度学习模型。在这项工作中，我们提出了一种新的接收器架构，由能够承受可转移对抗性干扰的深度学习模型组成。具体来说，我们证明了针对时域特征训练的模型的对抗性攻击不容易转移到使用频域特征训练的模型。在这种能力下，我们证明了递归神经网络（RNN）的分类性能提高超过30%，卷积神经网络（CNN）的分类性能提高超过50%。我们进一步证明了我们的基于频率特征的分类模型，在没有攻击的情况下，准确率超过99%。
2021-02-19 cs.LG eess.SP
Deep Learning For Experimental Hybrid Terrestrial and Satellite Interference Management
Centre Tecnològic de Telecomunicacions de Catalunya (CTTC/CERCA)（加泰罗尼亚电信技术中心（CTTC/CERCA））；Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）
干扰管理是许多学科中存在的一个广泛主题。大多数无线标准都存在干扰入侵和网络效率下降的缺点。传统上，通过提出局部地最小化干扰影响的信号处理技术来解决干扰管理。然而，未来通信的快速发展使其难以适应新的时代。在本文中，我们提出使用深度学习技术来提供一个紧凑的干扰管理系统。特别是，我们描述了两个子系统能够检测干扰的存在，即使在高信号干扰比（SIR），和干扰分类在几个无线电标准。最后，我们根据从地面和卫星网络捕获的真实信号给出了结果，结论揭示了人工智能和无线通信的勇敢未来。
2019-06-07 cs.IT cs.LG eess.SP
Deep Graph Unfolding for Beamforming in MU-MIMO Interference Networks
Rice University（莱斯大学）；US Army’s DEVCOM Army Research Laboratory（美国陆军DEVCOM陆军研究实验室）
针对MU-MIMO单跳无线自组织干扰网络的波束成形问题，提出基于图神经网络和算法展开的UWMMSE方法，通过学习WMMSE参数的函数变换进行优化，实验证明其在性能、泛化性和鲁棒性上均优于传统及现有学习方法。
2023-04-02 cs.LG eess.SP
A Deep Learning Approach for Automotive Radar Interference Mitigation
在汽车系统中，雷达是自动驾驶的关键部件。利用目标发射和反射的雷达信号，可以捕获目标的距离和速度。然而，当干扰信号存在时，噪声基底增加，严重影响目标物体的可探测性。由于这些原因，以前的研究已经提出了消除干扰或重建原始信号。然而，用于消除干扰或重构发射信号的常规信号处理方法是困难的任务，并且还具有许多限制。在这项工作中，我们提出了一种使用深度学习来减轻干扰的新方法。所提出的方法在各种干扰条件下提供高性能，并且具有低处理时间。此外，我们表明，我们提出的方法相比，现有的信号处理方法实现了更好的性能。
2019-11-12 eess.SP
Disaggregated multi-domain interference classification for O-RAN
KU Leuven（荷语鲁汶大学）
本文提出基于O-RAN功能解耦的多领域干扰分类方法，通过时间、频率和CSI域的分布式处理，实现低延迟和低计算开销的干扰识别与缓解，实验显示在保持高准确率的同时，相比传统方法有显著的性能提升。
2026-04-13 eess.SP
Deep Neural Networks based Modrec: Some Results with Inter-Symbol Interference and Adversarial Examples
深度神经网络（DNN）在机器视觉和自然语言处理（NLP）中的最新成功和进展促使其在传统信号处理和通信系统中的使用。在本文中，我们提出了这样的应用程序的自动调制识别问题的结果。无线通信信道的变化由统计信道模型表示，并且它们的参数化将随着5G的出现而增加。在本文中，我们报告了简单的双路径通道模型对我们基于朴素深度神经网络的实现的影响。我们还报告了对抗扰动对输入信号的影响。
2018-11-14 cs.LG eess.SP stat.ML
Model-Based Deep Learning Tuning of Reconfigurable Intelligent Surface for OFDM Radar Interference Mitigation
本文提出一种基于深度学习的RIS配置优化框架，结合改进MUSIC算法与MLP模型，在多子载波下抑制OFDM雷达干扰，显著提升了SINR与定位精度。
2025-04-06 eess.SP
Few-Shot Learning with Uncertainty-based Quadruplet Selection for Interference Classification in GNSS Data
Fraunhofer Institute for Integrated Circuits IIS（弗劳恩霍夫集成电路研究所）
针对GNSS干扰分类需适配未见干扰的需求，提出基于偶然与认知不确定性的四元组选择小样本学习方法，在自建8类高速干扰数据集上分类准确率达97.66%，优于同类技术。
2024-05-02 cs.CV eess.IV eess.SP
SINR-Aware Deep Reinforcement Learning for Distributed Dynamic Channel Allocation in Cognitive Interference Networks
School of Electrical and Computer Engineering, Ben-Gurion University of the Negev（内盖夫本-古里安大学电气与计算机工程学院）；Elbit Radio Ltd.（埃尔比特无线电有限公司）
针对存在ICI和多网络信道复用的认知网络DCA问题，提出基于CTDE与DeepMellow的多智能体RL框架CARLTON，以低维观测实现全局SINR最大化和QoS保障。
2024-02-17 cs.LG eess.SP
Detection and Classification of UAVs Using RF Fingerprints in the Presence of Interference
本文研究了在无线干扰信号存在的情况下，使用无源射频（RF）监视系统对无人机（UAV）进行检测和分类的问题。该系统使用多级检测器来区分由UAV控制器发射的信号与背景噪声和干扰信号。首先，使用基于马尔可夫模型的朴素贝叶斯决策机制检测来自任何源的RF信号。当接收机工作在10 dB的信噪比（SNR），和阈值，它定义的模型的状态，被设置在一个水平的3.5倍的预处理的噪声数据的标准偏差，检测精度为99.8%，虚警率为2.8%。其次，基于检测到的RF信号的带宽和调制特征来检测来自Wi-Fi和蓝牙发射器（如果存在）的信号。一旦输入信号被识别为UAV控制器信号，则使用机器学习（ML）技术对其进行分类。从UAV控制器信号的能量瞬态中提取的15个统计特征被馈送到邻域分量分析（NCA），并且选择三个最重要的特征。针对15种不同类型的无人机控制器，研究了NCA和5种不同ML分类器的性能。在信噪比为25 dB时，k-近邻分类器的分类准确率达到98.13%。分类性能也研究了在不同的信噪比水平和一组17无人机控制器，其中包括两对来自相同的无人机控制器模型。
2019-09-12 eess.SP
Smart Interference Management xApp using Deep Reinforcement Learning
干扰仍然是蜂窝无线电接入网络（RAN）部署中的关键限制因素。有效的、数据驱动的、自适应的无线电资源管理（RRM）解决方案对于解决干扰至关重要，从而实现所需的性能水平，特别是在小区边缘。在未来的网络架构中，RAN智能控制器（RIC）运行近实时应用程序，称为xApps，被认为是一个潜在的组件，使RRM。本文基于深度强化学习（RL）xApp，提出了一种联合子带掩蔽和功率管理的智能干扰管理方法。子带资源掩蔽问题被公式化为马尔可夫决策过程（MDP），其可以采用深度RL来近似策略函数以及避免传统的基于表格的方法的极高的计算和存储成本来解决。开发的xApp在存储和计算方面都是可扩展的。仿真结果表明，所提出的方法相比分散基线的优势，在小区中心和小区边缘的用户速率，能量效率和计算效率之间的权衡。
2022-04-12 eess.SP
Prior-Guided Deep Interference Mitigation for FMCW Radars
针对调频连续波（FMCW）雷达，提出了一种基于先验引导深度学习（DL）的干扰抑制方法。在本文中，干扰缓解问题作为一个回归问题。考虑到雷达信号的复值特性，采用复值卷积神经网络作为实现结构，这与传统的实值卷积神经网络不同。同时，由于FMCW雷达和干扰的有用差拍信号在时频域中呈现不同的分布，该先验特征被用作正则化项，以避免学习表示的过拟合。我们提出的复值全卷积网络（CV-FCN）的干扰抑制方法的有效性和准确性进行了验证和分析，通过模拟和测量的雷达信号。与实值对应物相比，CV-FCN示出了更好的干扰抑制性能，在低信号干扰噪声比（SINR）场景中具有减少一半存储器的潜力。此外，仅使用模拟数据训练的CV-FCN可以直接用于各种测量雷达信号的干扰抑制，并显示出优越的泛化能力。此外，通过结合先验特征，仅在1/8的完整数据上训练的CV-FCN在低SINR场景中实现了与完整数据集相当的性能，并且训练过程收敛得更快。
2021-08-30 eess.SP
Deep Learning for Interference Identification: Band, Training SNR, and Sample Selection
Purdue University（普渡大学）
我们研究了干扰源识别问题，通过识别属于3种不同无线技术的15个不同信道之一的镜头：蓝牙，Zigbee和WiFi。我们采用深度学习算法，对从2.4 GHz ISM频段中的10 MHz频段采集的接收样本进行训练。我们使用四种不同的深度神经网络架构中的任何一种获得了约89.5%的分类准确率：CNN，ResNet，CLDNN和LSTM，这证明了深度学习在所考虑的任务中的有效性的普遍性。有趣的是，我们提出的CNN架构需要大约60%的训练时间，同时实现略高的分类精度。然后，我们专注于CNN架构，并使用三种不同的方法进一步优化其训练时间，同时将分类准确性的损失降至最低：1-频带选择，其中我们仅使用属于较低和最高2 MHz频带的样本，2- SNR选择，其中我们仅使用属于单个SNR值的训练样本，以及3-样本选择，其中，我们尝试各种次奈奎斯特采样方法来选择与分类任务最相关的样本子集。我们的研究结果证实了快速深度学习用于无线干扰识别的可行性，表明训练时间可以减少多达30倍，准确性损失最小。
2019-05-16 cs.LG eess.SP stat.ML
Deep Learning for Joint Narrowband Interference Cancellation and Soft Demodulation in OFDM Systems
研究OFDM系统中NBI干扰问题，提出统一深度学习框架，包含NBI-CNet估计参数消除干扰及LLR-CNet映射残差，相比传统算法复杂度降低，能消除误码平台，在不同干扰场景有良好性能且可稳健泛化。
2026-07-10 cs.LG eess.SP
Machine Unlearning for Uplink Interference Cancellation
本文提出将机器遗忘（MUL）用于AI无线系统的上行链路干扰消除，无需重新训练或数据清洗即可净化受损潜在空间，并在分类任务中实现30%的准确率提升。
2024-09-05 eess.SP
Deep Learning Interference Cancellation in Wireless Networks
随着无线网络中电磁频谱的拥挤和小区尺寸的缩小，基站和用户之间的串扰成为一个主要问题。虽然手工制作的功能块和编码方案被证明可以有效地保证可靠的数据传输，但目前基于深度学习的方法在通信系统建模中引起了越来越多的关注。在本文中，我们提出了一种基于神经网络（NN）的信号处理技术，与传统的DSP算法，以克服干扰问题的实时。这种技术在接收器和发射器之间不需要任何反馈协议，这使得它非常适合低延迟和高数据速率的应用，例如自主和增强现实。虽然最近已经有在控制层中使用强化学习（RL）来管理和控制干扰的工作，但我们的方法在某种意义上是新颖的，因为它在基带数据速率和物理层中引入了用于信号处理的神经网络。我们使用卷积LSTM自动编码器演示了这种“深度干扰消除”技术。当应用于QAM-OFDM调制数据时，该网络产生了显着的改善的符号错误率（SER）。我们进一步讨论了硬件实现，包括延迟，功耗，内存要求，和芯片面积。
2020-09-11 eess.SP
Real-time Pre-Correlation GNSS Interference Classification with Lightweight Learned Algorithms
sobu Labs；EDGE Microwave
本研究针对资源受限平台，提出结合自适应陷波滤波器特征与梯度提升决策树的轻量算法，实现实时预相关GNSS干扰分类，在多类RFI事件上达到高准确率并验证了资源利用率。
2026-07-31 eess.SP
Deep-Neural-Network based Fall-back Mechanism in Interference-Aware Receiver Design
在这封信中，我们考虑在干扰感知接收器中设计回退机制。通常，存在两种不同的处理干扰的方式，称为增强型干扰抑制组合（eIRC）和符号级干扰消除（SLIC）。虽然SLIC比eIRC性能更好，但它具有更高的复杂度，并且需要干扰的调制格式（MF）的知识。由于MF检测中的潜在错误，SLIC可以用错误的MF运行并呈现有限的增益。因此，设计仅在检测到的MF可靠时激活SLIC的回退机制是有意义的。否则，会发生回退，接收方转向eIRC。找到最佳回退机制的封闭形式表达似乎很困难，我们利用深度神经网络（DNN）来设计它，这被证明是有效的，并且在降低错误率和节省计算成本方面比传统的基于贝叶斯风险的设计表现得更好。
2019-05-26 cs.IT eess.SP math.IT
Automotive Radar Interference Mitigation with Unfolded Robust PCA based on Residual Overcomplete Auto-Encoder Blocks
University Politehnica of Bucharest（布加勒斯特理工大学）；University of Bucharest（布加勒斯特大学）；Weizmann Institute of Science（魏茨曼科学研究所）
在自动驾驶中，雷达系统在检测道路上的其他车辆等目标方面发挥着重要作用。安装在不同汽车上的雷达会相互干扰，降低检测性能。用于汽车雷达干扰抑制的深度学习方法可以成功地估计目标的幅度，但无法恢复相应目标的相位。在本文中，我们提出了一种高效和有效的技术展开的鲁棒主成分分析（RPCA）的基础上，能够估计的振幅和相位的干扰存在。我们的贡献在于将残差过完备自动编码器（ROC-AE）块引入到展开RPCA的递归架构中，从而产生了一个更深入的模型，其性能显著优于展开RPCA以及其他深度学习模型。
2021-04-17 cs.CV cs.LG eess.SP
Deep Learning-Enabled Text Semantic Communication under Interference: An Empirical Study
针对基于深度学习的文本语义通信在射频干扰下的性能问题，本文利用Europarl数据集在Keras中训练DeepSC并在瑞利衰落信道的高斯多干扰下测试，验证了其理论预测并提出了抗干扰鲁棒SemCom的6G设计范式。
2024-08-26 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
DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection
Weizmann Institute of Science（魏茨曼科学研究所）；Tsinghua University（清华大学）
数字接收机需要从其观测的信道输出中恢复传输的符号。在多用户多输入多输出（MIMO）设置中，其中多个符号被同时发送，准确的符号检测是具有挑战性的。能够可靠地恢复多个符号的算法族基于干扰消除。然而，这些方法假设信道是线性的，这是一种不反映许多相关信道的模型，并且需要可能不可用的准确的信道状态信息（CSI）。在这项工作中，我们提出了一个多用户MIMO接收机，学会联合检测数据驱动的方式，而不需要假设一个特定的信道模型或要求CSI。特别是，我们提出了一个数据驱动的实现迭代软干扰消除（SIC）算法，我们称之为DeepSIC。由此产生的符号检测器是基于集成专用的机器学习（ML）方法到迭代SIC算法。DeepSIC学习从有限的训练样本集合中进行联合检测，而不需要信道是线性的，并且其参数是已知的。我们的数值评估表明，对于具有完整CSI的线性信道，DeepSIC接近迭代SIC的性能，这与最佳性能相当，并且优于先前提出的基于ML的MIMO接收机。此外，在存在CSI不确定性的情况下，DeepSIC的性能明显优于基于模型的方法。最后，我们证明了DeepSIC可以准确地检测非线性信道中的符号，即使在精确的CSI可用的情况下，传统的迭代SIC也会失败。
2020-06-14 cs.IT cs.LG eess.SP
Persistent Weak Interferer Detection in WiFi Networks: A Deep Learning Based Approach
在本文中，我们探索使用多种深度学习技术来检测WiFi网络中的弱干扰。考虑到所涉及的低干扰信号电平，这种情况往往难以检测。然而，即使信号干扰比超过20 dB也会导致显著的吞吐量下降和延迟。此外，所得到的分组错误率可能不足以迫使WiFi网络回退到更鲁棒的物理层配置。直接应用于采样射频数据的深度学习有可能比连续干扰消除更便宜地执行检测，这对于实时持续网络监控非常重要。在这项工作中探索的技术包括最大softmax概率，距离度量学习，变分自编码器和自回归对数似然。我们还介绍了这些技术的广义离群暴露的概念，并显示其在检测弱干扰的重要性。我们的研究结果表明，与离群暴露，最大softmax概率，距离度量学习和自回归对数似然能够可靠地检测干扰超过20 dB低于802.11规定的最低灵敏度水平。我们相信，这是一个独特的软件解决方案，实时，持久的网络监控。
2022-05-23 eess.SP
Deep Learning-Assisted Parallel Interference Cancellation for Grant-Free NOMA in Machine-Type Communication
POSTECH（浦项科技大学）；Seoul National University（首尔大学）
本研究针对免授权NOMA系统的联合活动检测、信道估计与数据检测问题，提出深度学习增强的并行干扰消除方法，构建三类适配不同方案的框架，经仿真验证性能优于传统技术且计算复杂度更低。
2024-03-12 cs.AI cs.LG eess.SP
Co-Channel Interference Mitigation Using Deep Learning for Drone-Based Large-Scale Antenna Measurements
本文提出了一种轻量级深度卷积神经网络，用于无人机大范围天线测量中抑制同频干扰，实现了高精度的CW信号幅度估计。
2026-01-19 eess.SP
A Deep Ensemble-based Wireless Receiver Architecture for Mitigating Adversarial Attacks in Automatic Modulation Classification
基于深度学习的自动调制分类（AMC）模型容易受到对抗性攻击。这种攻击将专门制作的无线干扰注入到传输的信号中，以引起错误的分类预测。此外，对抗性干扰在黑盒环境中是可转移的，允许对手使用针对特定分类模型的单个扰动来攻击多个深度学习模型。在这项工作中，我们提出了一种新的无线接收器架构，以减轻各种黑盒攻击环境中的对抗性干扰的影响。首先，我们评估了架构的不确定性环境，在那里我们表明，精心设计的对抗性攻击欺骗特定的AMC DL架构是不能直接转移到不同的DL架构。接下来，我们考虑域不确定性环境，在这里我们展示了在时域和频域特征上制作的对抗性攻击不会直接转移到改变域。利用这些见解，我们开发了我们的Assorted Deep Ensemble（ADE）防御，这是一个在接收信号的时域和频域表示上训练的深度学习架构的集合。通过对不同不确定性来源下的两个无线信号数据集的评估，我们证明了我们的ADE在不同对抗性攻击和效力的基础防御相比，AMC分类性能得到了实质性的改善。
2021-09-15 eess.SP
GenAI for Energy-Efficient and Interference-Aware Compressed Sensing of GNSS Signals on a Google Edge TPU
Fraunhofer Institute for Integrated Circuits IIS（弗劳恩霍夫集成电路研究所）
本文提出一种在Google Edge TPU上部署的生成人工智能方法，用于实时压缩和分类GNSS干扰信号，实现高效能量利用和干扰检测，通过变分自编码器实现高压缩率和准确分类。
2026-05-14 cs.LG eess.SP
Holographic Transformers for Complex-Valued Signal Processing: Integrating Phase Interference into Self-Attention
College of Computer Science and Technology, Zhejiang University, China（浙江大学计算机科学与技术学院）；School of Software and Microelectronics, Peking University, China（北京大学软件与微电子学院）
针对现有深度模型处理复值信号时忽略相位干涉的问题，提出融入波干涉原理的全息Transformer，通过全息注意力与双头解码器保障相位一致性，在多项复值信号任务中取得性能提升，为相干信号建模提供统一物理框架。
2025-10-30 cs.AI cs.LG eess.SP
Physical Signal Classification Via Deep Neural Networks
ECS Federal（ECS联邦公司）；Defense Advanced Research Projects Agency (DARPA)（国防高级研究计划局（DARPA））
深度神经网络被应用于对从运行的汽油和柴油动力车辆以及其他设备的物理传感器测量获得的物理签名进行分类。该分类提供了关于车辆类型甚至车辆型号的目标身份的信息。物理测量包括声学、加速度（振动）、地音和磁性。
2018-11-15 cs.LG eess.SP
Deep Learning for RF Signal Classification in Unknown and Dynamic Spectrum Environments
Intelligent Automation, Inc.（智能自动化公司）；Virginia Tech（弗吉尼亚理工大学）；US Army（美国陆军）
动态频谱接入（DSA）受益于对干扰源的检测和分类，所述干扰源包括可能全部共存于无线网络中的网内用户、网外用户和干扰源。我们在现实的无线网络环境中提出了一种基于深度学习的信号（调制）分类解决方案，其中1）信号类型可能会随着时间的推移而变化; 2）某些信号类型可能是未知的，没有训练数据; 3）信号可能会被欺骗，例如智能干扰机重放其他信号类型;以及4）由于来自并发传输的干扰，不同的信号类型可能会叠加。对于情况1，我们应用持续学习并使用基于损失的弹性权重合并（EWC）来训练卷积神经网络（CNN）。对于情况2，我们使用最小协方差决定簇（MCD）和k均值聚类方法，通过应用于卷积层输出的离群值检测来检测未知信号。对于情况3，我们扩展了CNN结构，以捕获由于无线电硬件效应引起的相移，从而识别欺骗信号源。对于情况4，我们应用盲声源分离使用独立分量分析（ICA）分离干扰信号。我们利用信号分类的结果在一个分布式的调度协议，在网络（次要）用户采用信号分类分数，使信道接入决策和共享频谱，同时避免干扰网络外（主要）用户和干扰。与基于基准TDMA的方案相比，我们表明，信号分类结果构建的分布式调度提供了重大的改善，在网络用户的吞吐量和出网络用户的成功率。
2019-09-25 cs.LG cs.NI eess.SP
Deep Reinforcement Learning Enhanced Rate-Splitting Multiple Access for Interference Mitigation
针对复杂多天线干扰信道中的RSMA预编码与功率分配优化问题，提出基于MADDPG框架的深度强化学习方法，有效缓解干扰并显著提升系统性能。
2024-12-19 cs.IT cs.MA eess.SP
Autonomous Interference Mapping for Industrial IoT Networks over Unlicensed Bands
当前物联网（IoT）无线标准的有限共存能力导致频谱利用率低下和相互性能受损。该问题的实体在工业物联网（IIoT）应用中升级，这些应用具有严格的服务质量要求，并且表现出非常低的容错能力。无线应用在未授权频带上的不断增长要求采用动态频谱接入技术，这可以极大地受益于无线电空间的多个维度上的干扰映射。在本文中，作者分析了仅依赖于IIoT设备的实时干扰检测和分类机制的关键作用，而不会增加专用硬件的复杂性。结合在低复杂度IIoT设备上的实现，分析了分类性能和可行性之间的权衡。此外，作者还解释了如何使用这种机制，使IIoT网络能够在运行时以自主方式构建和维护多维干扰图。最后，作者概述了使用干扰图来增强IIoT网络在干扰下的性能的机会和挑战。
2020-06-24 cs.IT eess.SP math.IT
Performance Limits of a Deep Learning-Enabled Text Semantic Communication under Interference
École de Technologie Supérieure (ETS)（高等技术学院）；National Institute of Standards and Technology (NIST)（美国国家标准与技术研究院）；Virginia Tech（弗吉尼亚理工大学）；Lebanese American University（黎巴嫩美国大学）；University of Oulu（奥卢大学）
本文研究多干扰源射频干扰下DeepSC文本语义通信的性能极限，推导其中断概率下界，并提出基于终身深度学习的抗干扰鲁棒语义通信系统。
2024-02-23 cs.AI cs.IT eess.SP
HybNet: A Hybrid Deep Learning -- Matched Filter Approach for IoT Signal Detection
针对IoT重叠传输引起的彩色干扰导致传统匹配滤波器性能下降的问题，提出混合框架HybNet，根据干扰水平在深度学习与匹配滤波路径间切换，在干扰受限场景下显著提升了信号检测性能。
2022-10-11 cs.IT eess.SP math.IT
Throughput maximization of an IRS-assisted wireless powered network with interference: A deep unsupervised learning approach
我们考虑一个智能反射面（IRS）辅助的无线供电通信网络（WPCN），其中多天线功率信标（PB）发送一个专用的能量信号的无线电源。源首先收集能量，然后利用该收集的能量，将信息信号发送到也可能存在外部干扰的目的地。对于所考虑的系统模型，我们制定了一个分析问题，其目标是通过联合优化能量收集（EH）时间和IRS相移矩阵，以最大限度地提高吞吐量。优化问题是高维非凸的，因此可以通过调用任何最先进的算法，如遗传算法（GA）获得一个良好的质量解决方案。众所周知，遗传算法的性能一般是显着的，但它带来了高的计算复杂度。为此，我们提出了一种基于深度无监督学习（DUL）的方法，在这种方法中，神经网络（NN）可以非常有效地训练，因为不需要标记数据集的耗时任务。数值例子表明，我们提出的方法实现了更好的性能与复杂度的权衡，因为与GA相比，它不仅速度快了好几倍，而且还提供了几乎相同甚至更高的吞吐量。
2021-11-23 eess.SP
Automatic modulation classification for MIMO system based on the mutual information feature extraction
本文针对MIMO系统自动调制分类中干扰难以消除、训练数据需求大的问题，提出基于互信息特征提取的新算法，利用IQ星座图提取互信息特征，无需消除干扰和大量训练数据，并在多个数据集上验证了有效性。
2024-06-08 eess.SP
Deep Reinforcement Learning for Interference Suppression in RIS-Aided Space-Air-Ground Integrated Networks
Department of Artificial Intelligence, Indian Institute of Technology Hyderabad, Telangana, India（印度海得拉巴印度理工学院人工智能系）；School of Informatics, Kami, Kochi University of Technology, Kochi, Japan（日本科技大学信息学院）；Graduate School of Information Sciences, Tohoku University, Sendai, Miyagi, Japan（东北大学信息科学研究生院）
本文提出基于RIS的深度强化学习方法，用于优化HAPS波束成形以抑制干扰，提升空间-空-地一体化网络的频谱效率。
2026-01-27 cs.AI cs.IT cs.LG
Interference Mitigation Recommender System using U-Net Autoencoders
Virginia Tech（弗吉尼亚理工大学）
本文提出基于U-Net自编码器的干扰抑制推荐系统，通过动态选择最佳抑制策略提升通信鲁棒性。
2025-12-15 eess.SP
Co-channel Interference Management for the Next-Generation Heterogeneous Networks using Deep Leaning
公共安全移动用户（MU）在公共安全网络（PSN）、无人机（UAV）和基于LTE的铁路网络（LRN）共存的情况下的连接性需要进行彻底的调查。UAV被部署为用于MU的小区边缘覆盖增强的移动基站（BS）。异构网络的共存由于使用相同的频段而引起同信道干扰的问题。通过考虑无线接入信道（RAC）的共享和非共享，分析了PSN、UAV和LRN下行链路系统中的同频干扰。由于LRN控制信号要求高可靠性和低延迟，因此在与MU共享的LRN RAC中为LRN用户分配资源时提供更高的优先级，并在小区边缘部署无人机以提高小区边缘用户的性能。因此，干扰控制技术使得LRN、PSN和UAV能够在共享RAC的场景中共存。通过将更多PSN UE卸载到LRN或UAV，增强了LRN和UAV BS的资源利用。在本文中，我们的目标是采用基于增强的小区间干扰协调（eICIC）和进一步增强的ICIC（FeICIC）策略的深度学习（DL）来处理PSN对LRN和UAV的干扰。在LRN、PSN BS和UAV之间，利用基于DL的协作多点（CoMP）链路技术来增强PSN MU的性能。因此，如果无线电接入信道被共享，则利用基于DL的FeICIC和CoMP进行协作调度给出最佳性能。
2023-01-06 cs.IT cs.SY eess.SP
Narrowband Interference Detection via Deep Learning
由于无线设备的指数增长导致的频谱使用的增加，检测和避免干扰已经成为确保不间断无线通信的日益相关的问题。在本文中，我们把我们的兴趣集中在检测窄带干扰所造成的信号，尽管占用频谱的一小部分，但只会对无线系统造成重大损害，例如，在干扰导频和其他信号的情况下，用于均衡信道的影响或实现同步。由于这些信号的尺寸很小，由于它们的低能量足迹，检测可能很困难，同时极大地影响（或在某些情况下完全拒绝）网络通信。我们提出了一种新的窄带干扰检测解决方案，利用卷积神经网络（CNN）来检测和定位这些信号的高精度。为了证明我们解决方案的有效性，我们构建了一个原型，该原型已在现实世界的空中大规模无线测试平台上进行了测试和验证。我们的实验结果表明，我们的解决方案是能够检测窄带干扰攻击的准确率高达99%。此外，它还能够检测到同时影响多个频率的多个攻击，即使是以前看不见的攻击模式。我们的解决方案不仅可以实现92%到99%之间的检测精度，而且只增加了0.093ms的推理延迟。
2023-01-23 cs.NI eess.SP
Efficient Network Inference via Hardware-Aware Architecture Search, Model Pruning & Quantization
Fraunhofer Institute for Integrated Circuits IIS（弗劳恩霍夫集成电路研究所）
针对嵌入式GNSS干扰监测中资源受限与模型性能的矛盾，研究结合迭代结构化剪枝、训练后静态量化和硬件感知零样本神经架构搜索，在MCUNet基础上压缩模型并优化架构，实现实时干扰分类与表征。
2026-06-23 cs.DC cs.LG eess.SP
DeepWiFi: Cognitive WiFi with Deep Learning
Intelligent Automation, Inc.（智能自动化公司）；Virginia Tech.（弗吉尼亚理工大学）
我们提出了DeepWiFi协议，该协议通过深度学习强化了基线WiFi（IEEE 802.11ac），并通过减轻网络外干扰来维持高吞吐量。DeepWiFi可与基线WiFi互操作，并建立在现有WiFi的PHY收发器链上，而无需更改MAC帧格式。用户运行DeepWiFi用于i）RF前端处理; ii）频谱感测和信号分类; iii）信号认证; iv）信道选择和接入; v）功率控制; vi）调制和编码方案（MCS）适配;以及vii）路由。DeepWiFi减轻了概率、基于感知和自适应干扰的影响。RF前端处理应用基于深度学习的自动编码器来提取频谱代表性特征。然后训练深度神经网络，将波形可靠地分类为空闲、WiFi或干扰。利用信道标签，用户可以有效地访问空闲或堵塞的信道，同时避免干扰合法的WiFi传输（通过基于机器学习的RF指纹识别进行认证），从而提高吞吐量。用户优化其发射功率以降低拦截/检测概率，并优化其MCS以最大化背压算法用于路由的链路速率。在嵌入式平台实现的支持下，与基线WiFi和另一种抗干扰协议相比，DeepWiFi提供了主要的吞吐量增益，特别是当信道可能被干扰并且信号与干扰加噪声比较低时。
2019-10-29 cs.CR cs.LG cs.NI
Achieving Generalization in Orchestrating GNSS Interference Monitoring Stations Through Pseudo-Labeling
本文提出一种结合Monte Carlo与Deep Ensembles的半监督伪标签方法，在仅需不到5%标注数据的情况下实现GNSS干扰分类的高泛化能力，并验证了从室内到真实环境的适应性。
2024-10-03 cs.AI cs.LG eess.SP
Deep Learning Based Successive Interference Cancellation for the Non-Orthogonal Downlink
非正交通信在未来的无线通信系统中将发挥重要作用。在下行链路传输中，数据符号从基站广播到不同的用户，这些数据符号以不同的功率叠加，以促进使用连续干扰消除（SIC）的高完整性检测。然而，SIC需要信道模型和信道状态信息（CSI）两者的准确知识，这可能难以获取。我们提出了一种称为SICNet的深度学习辅助SIC检测器，它用深度神经网络（DNN）代替SIC的干扰消除块。解释一下，SICNet联合训练其内部DNN辅助块，以数据驱动的方式推断表示干扰符号的软信息，而不是像经典SIC那样使用硬判决解码器。结果，SICNet可靠地检测非正交系统的下行链路中的叠加符号，而不需要信道模型的任何先验知识，同时比其基于模型的对应物对CSI不确定性不太敏感。SICNet对用户数量和功率分配的变化也是鲁棒的。此外，SICNet学习产生准确的软输出，与基于模型的SIC相比，这有助于改进软输入纠错解码。最后，我们提出了一种在线训练方法SICNet块衰落下，它利用信道解码准确地恢复在线数据标签进行再训练，因此，允许它平滑地跟踪衰落包络，而不需要专用的导频。我们的数值结果表明，SICNet的性能接近经典SIC下完美的CSI，而在现实的CSI不确定性优于它。
2022-07-29 cs.IT eess.SP math.IT
JSR-GFNet: Jamming-to-Signal Ratio-Aware Dynamic Gating for Interference Classification in future Cognitive Global Navigation Satellite Systems
National Key Laboratory of Wireless Communications, University of Electronic Science and Technology of China（中国电子科技大学无线通信国家重点实验室）；University of Electronic Science and Technology of China（中国电子科技大学）；Shanghai Aerospace Electronic Technology Institute（上海航天电子技术研究所）；Shanghai Key Laboratory of Collaborative Computing in Spacial Heterogeneous Networks (CCSN)（上海空间异构网络协同计算重点实验室）；Anhui Science and Technology University（安徽科技大学）；University of Oxford（牛津大学）；Shanghai Xiaoyuan Innovation center（上海小元创新中心）
JSR-GFNet通过结合相位敏感的IQ样本与STFT频谱图，利用动态门控机制提升GNSS干扰分类的准确性和鲁棒性。
2026-01-19 cs.AI eess.SP
Deep Learning Based Sparse Array Design with Pre-Steering for Adaptive Beamforming
Widener University（惠顿大学）
提出利用卷积神经网络学习稀疏阵列配置，通过预导向策略避免针对每个源角度重新训练，实现快速重配置并最大化信干噪比，在动态环境中达到90%以上测试精度。
2026-06-04 eess.SP
Deep Learning for Cooperative Radio Signal Classification
无线电信号分类在认知无线电网络和电磁频谱监测中有着非常广泛的应用。在这篇文章中，我们考虑的情况下，在网络中的多个节点参与合作分类。提出了基于深度学习的协同无线电信号分类方法，分别用于决策融合、信号融合和特征融合。我们通过仿真实验分析了这些方法的性能。最后，我们讨论了研究的挑战和开放的问题。
2019-09-13 eess.SP
Deep Learning Based RIS Channel Extrapolation with Element-grouping
Xidian University（西安电子科技大学）；Tsinghua University（清华大学）；Memorial University
可重构智能表面（RIS）被认为是未来无线通信网络的革命性技术。在这封信中，我们考虑收购的级联通道，这是一个具有挑战性的任务，由于大量的被动RIS元素。为了减少导频开销，我们采用了元素分组策略，其中一个组中的每个元素共享相同的反射系数，并假设具有相同的信道条件。我们分析了元素分组策略引起的信道干扰，并进一步设计了两个基于深度学习的网络。第一种方法的目标是通过消除干扰来细化部分信道，而第二种方法试图从细化的部分信道外推全信道。我们将两个网络串联起来，共同进行训练。仿真结果表明，该方案提供了显着的增益相比，传统的元素分组方法没有干扰消除。
2021-05-14 cs.AI eess.SP
Angular Sector-Based Sparse Array Design for Adaptive Beamforming Using Deep Learning
School of Engineering, Widener University（韦德纳大学工程学院）
提出一种基于深度学习的稀疏阵列设计框架，通过角扇区分类策略和CNN/ResNet50实现高精度阵列选择，SINR偏差低于1%。
2026-06-04 eess.SP
Sparse Array Capon Beamformer Design Availing Deep Learning
本文考虑了稀疏阵列设计接收波束形成实现最大信号干扰噪声比（MaxSINR）。我们开发了一种基于监督神经网络的设计方法，其中使用高效的稀疏波束形成器频谱分析（SBSA）方法生成类标签。SBSA使用未知窄带干扰环境的显式信息来训练网络，并且具有与使用枚举的训练接近的性能，即，穷举搜索，这在计算上对于大阵列是禁止的。所采用的DNN有效地近似从输入接收数据空间相关性到稀疏配置的输出的未知映射，具有有效的干扰抑制能力。该问题被提出为多标签分类问题，其中实现MaxSINR的所选天线位置由DNN的输出层指示。除了评估DNN在分类精度方面的性能外，我们还评估了分类稀疏阵列减轻干扰和最大化信号功率的能力方面的性能。结果表明，即使在分类错误的情况下，其中至少一个传感器位置不匹配的最佳位置，DNN有效地学习次优稀疏配置，具有理想的SINR特性。这表明DNN能够学习所提出的优化算法，从而为高效的实时实现铺平道路。
2021-08-20 eess.AS eess.IV eess.SP
Hardware Implementation of Neural Self-Interference Cancellation
带内全双工系统可以在同一频段上同时发送和接收信息。然而，由于发射机对自身接收机造成的强自干扰，使用非线性数字自干扰消除是必不可少的。在这项工作中，我们描述了一个基于神经网络的非线性自干扰（SI）消除器的硬件架构，我们比较它与我们自己的硬件实现的一个传统的基于多项式的SI消除器。特别是，我们提出了一个浅和深神经网络SI消除器以及多项式SI消除器的实施结果。我们的研究结果表明，深度神经网络消除器实现了高达$312.8$ Msamples/s/mm $^2$的硬件效率和高达$0.9$ nJ/sample的能量效率，分别优于多项式SI消除器的$2.1\times$和$2\times$。这些结果表明，应用于通信的基于NN的方法不仅从性能的角度来看是有用的，但也可以是一个非常有效的手段，以降低实现的复杂性。
2020-05-07 cs.AR eess.SP
Resource-efficient Deep Neural Networks for Automotive Radar Interference Mitigation
Graz University of Technology（格拉茨理工大学）；Infineon Technologies Austria AG（英飞凌科技奥地利股份公司）
雷达传感器对于驾驶员辅助系统和自动驾驶汽车的环境感知至关重要。随着雷达传感器数量的不断增加和汽车雷达频段的不规范，相互干扰是不可避免的，必须加以处理。在雷达数据上运行的算法和模型需要在专用雷达传感器硬件上运行早期处理步骤。这种专用硬件通常具有严格的资源约束，即低存储器容量和低计算能力。基于卷积神经网络（CNN）的去噪和干扰抑制方法在性能方面为雷达处理带来了有希望的结果。然而，关于资源限制，CNN通常远远超过硬件的能力。在本文中，我们研究基于CNN的去噪和雷达信号的干扰减轻量化技术。我们分析了（i）权重和（ii）不同基于CNN的模型架构的激活的量化。这种量化导致模型存储和推理过程中的内存需求减少。我们比较了具有固定和学习位宽的模型，并对比了两种不同的训练量化CNN的方法，即直通梯度估计器和离散权重上的训练分布。我们说明了结构上小的实值基础模型的量化的重要性，并表明，学习位宽产生最小的模型。与实值基线相比，我们实现了约80%的内存减少。然而，由于实际原因，我们建议使用8位的权重和激活，这导致模型只需要0.2 MB的内存。
2022-01-25 cs.CV eess.SP
Integrating Notch Filtering and Statistical Methods for Improved Cardiac Diagnostics Using MATLAB
本文提出结合陷波滤波与统计方法以使用MATLAB改进心脏诊断，通过消除50/60 Hz电力线干扰并保留P、QRS、T波等关键成分，有效提升了ECG信号质量及下游机器学习与深度学习分类任务的性能。
2025-03-20 cs.IR eess.IV eess.SP
Robust Electromagnetic Interference (EMI) Elimination via Simultaneous Sensing and Deep Learning Prediction for RF Shielding-free MRI
现时，核磁共振扫描是在一个全封闭的射频屏蔽室内进行，对安装有严格的要求，亦会对病人造成不必要的不适。我们的目标是开发一种电磁干扰（EMI）消除策略，用于无RF屏蔽或不完全RF屏蔽的MRI。在这项研究中，提出了一种同时感测和深度学习驱动的EMI消除策略，以从采集的MRI信号中建模、预测和去除EMI信号。具体地，在每次MRI扫描期间，利用放置在各种空间位置中的单独的EMI感测线圈来同时对两个窗口内的环境和内部EMI信号进行采样（对于常规MRI信号采集和EMI表征采集两者）。然后，使用EMI表征数据来训练CNN模型，以将由EMI感测线圈检测到的EMI信号与MRI接收线圈中的EMI信号相关联。该模型用于回顾性预测和去除MRI接收线圈在MRI信号采集窗口期间检测到的EMI信号分量。我们实施并证明了这种策略的各种EMI源上的移动超低场0.055 T永磁MRI扫描仪和1.5 T超导磁体MRI扫描仪没有或不完全的RF屏蔽。我们的实验结果表明，该方法是非常有效的和强大的预测和消除各种电磁干扰源从外部环境和内部扫描仪电子设备在0.055 T（2.3 MHz）和1.5 T（64 MHz），产生最终的图像信噪比是使用一个完全封闭的RF屏蔽获得的。我们提出的策略使MRI操作没有或不完整的射频屏蔽，减轻MRI安装和操作要求。它还可能适用于在存在外部和内部EMI或RF源的情况下准确检测或区分RF信号的其他场景。
2023-01-05 eess.SP physics.ins-det
