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
Convolutional Autoencoder-Based Phase Shift Feedback Compression for Intelligent Reflecting Surface-Assisted Wireless Systems
近年来，智能反射表面（IRS）由于其显著提高能量和频谱效率的潜力/能力而成为6 G的一项有前途的技术。为此，调整IRS的反射元件的相位是至关重要的，并且大多数研究工作集中在如何针对不同的优化目标优化/调整相位。特别地，量化相移（QPS）被假设为在IRS处可用，然而，量化相移并不总是保持，并且在实践中应当被反馈到IRS。不幸的是，反馈信道通常是带宽有限的，这不能支持QPS的大量反馈开销，特别是对于大量反射元件和/或每个反射元件的量化水平。为了打破这一瓶颈，在这封信中，我们提出了一种基于卷积自动编码器的方案，其中QPS在接收机侧被压缩，并在IRS侧被重构。为了解决分布不匹配和梯度消失的问题，我们去除了批归一化（BN）层，并引入了去噪模块。通过这样做，可以在带宽受限的反馈信道中实现具有可靠重构精度的高压缩比，并且还可以适应假设IRS处可用QPS的现有工作。仿真结果证实了通过反馈信道的反馈/压缩的QPS的高重建精度，并表明所提出的方案可以显着优于现有的压缩算法。
2021-10-27 eess.SP
Wireless Propagation Parameter Estimation with Convolutional Neural Networks
本文提出结合多通道加窗预处理与CNN的准无网格方法，从信道冲激响应中联合估计未知路径数及时延、多普勒参数，并集成到最大似然框架以提升精度。
2025-06-30 eess.SP
Hidden Backdoor Attack against Deep Learning-Based Wireless Signal Modulation Classifiers
本文研究针对深度学习调制分类器的隐藏后门攻击，通过在训练集中注入基于IQ序列的隐蔽投毒样本降低分类准确率，并提出激活聚类方法检测异常样本。
2023-06-19 eess.SP
Deep Reinforcement Learning-Based Channel Allocation for Wireless LANs with Graph Convolutional Networks
Kyoto University（京都大学）
去年，IEEE 802.11极高吞吐量研究组（EHT Study Group）成立，以发起对IEEE 802.11新特性的讨论。EHT研究小组讨论了无线局域网（WLAN）中接入点（AP）的协调控制方法。本研究提出了一种使用图卷积网络（GCN）的基于深度强化学习的信道分配方案。作为一种深度强化学习方法，我们使用了一种著名的方法双深度Q网络。在密集部署的无线局域网中，AP的可用拓扑结构的数量是非常高的，因此，我们提取的拓扑结构的特征的基础上GCN。我们将GCN应用到竞争图中，其中在其载波侦听范围内的AP被连接以提取载波侦听关系的特征。此外，为了提高学习速度，特别是在学习的早期阶段，我们采用了基于博弈论的方法来收集独立于神经网络模型的训练数据。仿真结果表明，与现有的方法相比，该方法可以适当地控制信道。
2019-05-17 cs.LG cs.NI eess.SP
Data-Driven Modulation and Antenna Classification of Wireless Digital Communication Signals
在本文中，我们有兴趣从无线数字调制信号中了解该信号的发射机（Tx）使用的天线数量，以及其特定的调制方案（从相移键控（PSK）或正交幅度调制（QAM））。形式上，这些是调制和天线分类问题。我们研究了基于数据驱动的机器学习（ML）技术的问题。调制和发射机天线分类的数量的两个子问题最初独立地检查各种系统参数，即SNR，接收机（Rx）天线的数量，和分类算法。然后，我们考虑联合问题，我们遵循两种方法。一种是独立并行地解决子问题，另一种是天线分类器等待调制分类器的结果。所提出的两种方案不需要所使用的调制方案和Tx天线的使用方式（空间复用、空时码等）的任何知识/细节。因为它完全是数据驱动的，而不是基于决策理论的。我们的方法的结果的特点是高分类精度，他们铺平了道路，更多的ML为基础的数据驱动的技术，揭示更多的特点的Tx。
2020-11-20 eess.SP
SSwsrNet: A Semi-Supervised Few-Shot Learning Framework for Wireless Signal Recognition
针对无线信号识别中标签样本稀缺的问题，提出SSwsrNet框架，结合DRSN与基于MixMatch的半监督学习，在AMC和WTC任务上提升少样本分类准确率。
2024-04-03 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
Open Set Wireless Signal Classification: Augmenting Deep Learning with Expert Feature Classifiers
在具有多种无线电接入技术的共享频谱中，无线标准分类对于诸如动态频谱接入（DSA）和宽带频谱监测之类的应用至关重要。然而，干扰信号和未知类别的信号的存在会降低分类精度。为了减少干扰，可以在时间、频率和空间上隔离信号，但隔离过程会增加失真，从而降低深度学习分类器的准确性。我们发现，失真可以部分减轻通过增加分类器的训练数据与信号隔离的步骤。为了解决未知信号，我们提出了一种开集混合分类器，它结合了深度学习和专家特征分类器，以利用专家特征分类器的可靠性和可解释性以及深度学习分类器的较低计算复杂度。与专家特征分类器相比，混合分类器的计算复杂度平均降低了2至7倍，同时对于已知信号类别在15 dB SNR下实现了95%的准确度。由于专家特征分类器的鲁棒性，混合分类器能够以接近100%的准确率检测未知类别。
2023-02-07 eess.SP
FedSwitch: Federated Region Classification From Wireless Channel Measurements
University of Padova（帕多瓦大学）；National Yang-Ming Chiao-Tung University（国立阳明交通大学）；German Aerospace Center（德国航空航天中心）
针对无线IoT网络中集中式信道测量开销大、指纹共享风险高的问题，提出边缘原生联邦学习框架及个性化算法FedSwitch，在损失停滞时自动切换本地微调，提升区域分类精度，并给出理论保证与实验验证。
2026-10-05 eess.SP
A Method for Detecting Abnormal Data of Network Nodes Based on Convolutional Neural Network
异常数据检测是保证无线传感器网络节点数据准确可靠的重要环节。针对无线传感器网络中数据异常检测问题，提出了一种基于卷积神经网络的数据分类方法。首先，对正常数据和喷油故障后产生的异常数据进行归一化处理，并将其映射为灰度图像，作为卷积神经网络的输入数据。然后，在经典卷积神经网络的基础上，通过设计卷积层和全连接层的参数，设计了三种新的卷积神经网络模型。该模型通过对卷积层数据特征的自学习，解决了传统检测算法性能易受相关阈值影响的问题。实验结果表明，该方法具有较好的检测性能和较高的可靠性。
2021-06-28 eess.SP math.AG
A Fast Graph Kernel Based Classification Method for Wireless Link Scheduling on Riemannian Manifold
针对黎曼流形上的设备到设备（D2D）网络中的无线链路调度问题，提出了一种新的图核方法。链路调度问题可以被认为是二元分类问题，因为每个D2D对只能保持状态活动或不活动。我们的目标是学习一种新的度量，有利于设计一个有效的，但计算要求较低的机器学习（ML）解决方案的二进制分类任务的链路调度问题，不需要信道状态信息（CSI）和训练样本的数量较少，而不是其他基准ML算法。为此，我们首先将无线D2D网络表示为图，并将每个D2D对的特征（包括其通信和干扰链路）建模为正则化的（即，正移位）拉普拉斯矩阵，其是对称正定（SPD）矩阵。通过这样做，我们表示的特征信息的每个D2D对SPD流形上的一个点，我们通过黎曼几何分析的拓扑结构。我们计算黎曼度量，例如，对数欧几里德度量（LEM），其是正则化拉普拉斯矩阵之间的合适的距离度量。然后，LEM被用来定义一个正定图核的二进制分类的链路调度决策。仿真结果表明，所提出的基于图核的方法在计算上要求较低，并且在不使用CSI和少于一百个训练网络布局的情况下，对于10个D2D对，实现了超过95%的基准算法FPLinQ [1]的总速率。
2021-06-25 eess.SP
SSGCNet: A Sparse Spectra Graph Convolutional Network for Epileptic EEG Signal Classification
在这篇文章中，我们提出了一个稀疏谱图卷积网络（SSGCNet）解决癫痫脑电信号分类问题。目的是在不损失模型分类准确性的情况下实现轻量级深度学习模型。我们提出了一种加权邻域场图（WNFG）来表示脑电信号，它减少了图节点之间的冗余边。WNFG具有较低的时间复杂度和内存使用比传统的解决方案。序列图卷积网络使用图表示，基于稀疏权重修剪技术和交替方向乘法器（ADMM）的组合。我们的方法可以降低计算复杂度，而不影响分类精度。我们还提出了所提出的方法的收敛结果。该方法的性能在公共和临床真实数据集中得到了说明。与现有文献相比，我们的WNFG的EEG信号实现了高达10倍的冗余边缘减少，我们的方法实现了高达97倍的模型修剪而不损失分类精度。
2022-03-24 eess.SP
Prognostic classification based on random convolutional kernel
评估系统/组件的健康状态（HS）一直是预测和健康管理（PHM）研究中具有挑战性的任务。与其他基于回归的预测任务（如预测剩余使用寿命）不同，HS评估本质上是一个多类分类问题。为了解决这个问题，我们在论文中介绍了基于随机卷积核的方法，RandOm卷积核变换（ROCKET）及其最新变体MiniROCKET。我们在NASA的CMPASS数据集上实现了ROCKET和MiniROCKET，并利用多传感器时间序列数据评估了涡轮风扇发动机的HS。这两种方法在处理HS评估任务时显示出很高的准确性。更重要的是，它们表现出相当高的效率，特别是与基于深度学习的方法相比。我们进一步揭示了随机卷积核生成的特征可以与其他分类器，如支持向量机（SVM）和线性判别分析（LDA）相结合。新构造的方法保持了较高的效率，并在分类精度上优于所有其他的深度神经网络模型。
2022-04-09 eess.SP
WirelessJEPA: A Multi-Antenna Foundation Model using Spatio-temporal Wireless Latent Predictions
University of Calgary（卡尔加里大学）
WirelessJEPA通过空间-时间无线潜在预测，实现多天线信号的通用表示学习，适用于多种下游任务。
2026-01-28 eess.SP
Voltage Quality Time Series Classification using Convolutional Neural Network
本文介绍了卷积神经网络（CNN）分类电能质量问题的有效性。这些问题的出现主要是由于非线性负载的使用增加，可调速驱动器和功率因数校正电容器等设备的操作，这是公用事业和客户日益关注的问题。这项工作使用监督学习的进步来分类不同的电能质量时间序列波形，如电压暂降，浪涌，中断，谐波，瞬变和闪变。在存在噪声的情况下，与其他传统和机器学习方法相比，CNN的分类准确率非常高。公用事业公司和客户可以采用此过程来了解原因并减轻电压质量问题。
2019-03-30 eess.SP
Deep Learning-Based Device-Free Localization in Wireless Sensor Networks
本文提出一种基于卷积深度置信网络的无设备定位框架，结合CNN与受限玻尔兹曼机自编码器及随机池化降维，在低信噪比下实现98%定位准确率。
2022-06-16 eess.SP
MATLAB-Simulated Dataset for Automatic Modulation Classification in Wireless Fading Channels
本文提出一个 MATLAB 生成的带标签数据集，覆盖五种调制方案和两种衰落信道，用于评估无线通信中的自动调制分类机器学习模型。
2025-10-22 eess.SP
Energy-Efficient Classification at the Wireless Edge with Reliability Guarantees
从多个角度来看，边缘学习是一项具有挑战性的任务，因为数据必须由终端设备（例如传感器）收集，可能进行预处理（例如数据压缩），并最终远程处理以输出训练和/或推理阶段的结果。这涉及异构资源，例如无线电、计算和学习相关参数。在这种情况下，我们提出了一种算法，动态地选择数据编码方案，本地计算资源，上行链路无线电参数，和远程计算资源，以执行分类任务的最小平均终端设备的能量消耗，下E2 E延迟和推理可靠性的约束。我们的方法不假设任何先验知识的统计随时间变化的上下文参数，而它只需要解决低复杂度的每槽确定性优化问题，基于这些参数的瞬时观测值和适当定义的状态变量。基于卷积神经网络的图像分类的数值结果说明了我们的方法在能量，延迟和推理可靠性之间取得最佳平衡的有效性。
2022-04-25 eess.SP
Deep Neural Network Feature Designs for RF Data-Driven Wireless Device Classification
Oregon State University（俄勒冈州立大学）
大多数使用射频（RF）数据进行基于深度学习的无线设备分类的先前工作都应用了现成的深度神经网络（DNN）模型，这些模型主要用于视觉和语言等领域。然而，无线RF数据具有独特的特征，使其与其他领域区分开来。例如，RF数据包含由底层硬件和协议配置规定的混合时间和频率特征。此外，无线RF通信信号由于重复的模式（PHY导频、帧前缀等）而表现出循环平稳性。这些信号本身包含的信息。在本文中，我们首先解释并展示了目前提出用于无线设备分类的现有DNN特征设计方法的不适用性和局限性。然后，我们提出了新的特征设计方法，利用RF通信信号的不同结构和发射机硬件损伤引起的频谱发射，定制适合使用RF信号数据对无线设备进行分类的DNN模型。我们提出的DNN特征设计在可扩展性、准确性、签名抗克隆和对环境扰动的不敏感性方面大大提高了分类鲁棒性。最后，我们提出了其他功能设计策略，有很大的潜力，提供进一步的性能改进的DNN为基础的无线设备分类，并讨论了开放的研究挑战，这些建议的策略。
2021-03-02 cs.LG cs.NI eess.SP
BiLSTM and Attention-Based Modulation Classification of Realistic Wireless Signals
Indian Institute of Technology Guwahati（印度古瓦哈蒂印度理工学院）
本研究针对无线信号自动调制分类问题，提出融合多信号表示、卷积-BiLSTM特征提取与注意力机制的QSLA网络，在RML22数据集上准确率达约99%，综合性能优于现有基准模型。
2024-08-14 cs.LG eess.SP
A Photonic-Circuits-Inspired Compact Network: Toward Real-Time Wireless Signal Classification at the Edge
Princeton University（普林斯顿大学）；Queen’s University（女王大学）；Vector Institute（矢量研究所）；Lockheed AI center（洛克希德人工智能中心）；the Chinese University of Hong Kong（香港中文大学）
机器学习（ML）方法在无线通信系统中无处不在，并且已经证明对于包括射频（RF）指纹识别、自动调制分类和认知无线电的应用是强大的。然而，ML模型的大尺寸可能使它们难以在边缘设备上实现对延迟敏感的下游任务。在无线通信系统中，亚毫秒级的ML数据处理将实现实时网络监控，以提高安全性并防止渗透。此外，可以在芯片级实现ML模型的紧凑且可集成的硬件平台将在无线通信网络中得到更广泛的应用。对于边缘的实时无线信号分类，我们提出了一种新型的紧凑型深度网络，该网络由光子硬件启发的递归神经网络模型与简化的卷积分类器相结合组成，并通过随机传输演示了其在识别RF发射器中的应用。与所提出的模型，我们实现了96.32%的分类准确率在一组30个相同的ZigBee设备时，使用的训练参数比现有的最先进的CNN分类少50倍。由于网络规模大幅缩小，我们使用小型FPGA板PYNQ-Z1演示了延迟为0.219 ms的实时RF指纹识别。
2021-06-25 cs.LG eess.SP
Sequential Convolutional Recurrent Neural Networks for Fast Automatic Modulation Classification
Science and Technology on Electronic Information Control Laboratory（电子信息控制科技实验室）
针对无线频谱监测应用，提出了一种新型高效的自动调制分类端到端学习模型，该模型能够从时域同相和正交数据中自动学习，无需手工设计专家特征。利用卷积层的直觉，池化作为前端特征提取和降维的作用，开发了顺序卷积递归神经网络，以利用卷积神经网络的并行计算能力和递归神经网络的时间敏感性。实验结果表明，该结构在信噪比大于-10 dB的范围内具有较好的分类性能，在高信噪比范围内，分类准确率从80%提高到92.1%，同时平均训练时间和预测时间分别减少了约74%和67%.通过所提出的架构学习的响应模式被可视化，以更好地理解模型的物理特性。此外，进行了比较研究，以调查各种顺序卷积递归神经网络结构设置对分类性能的影响。一个具有代表性的顺序卷积递归神经网络架构的两层卷积神经网络和随后的两层长短期记忆神经网络的开发建议的选择快速自动调制分类。
2021-01-20 cs.LG eess.SP
Capacity of Remote Classification Over Wireless Channels
无线连接创建了一个融合通信和推理的计算范例。在这个范例中的基本操作是设备将分类任务卸载到边缘服务器的操作。我们将这种远程分类称为智能应用。无线信道有限且可变的数据率对远程分类提出了挑战，这影响了传输高维特征的能力，从而限制了分类分辨率。我们引入了一组指标的分类能力的名称下，被定义为类的最大数量，可以辨别在一个给定的通信信道，同时满足目标分类错误概率。我们的目标是选择一个子集的类从一个图书馆，提供令人满意的性能在给定的通道。我们对待两种情况下的子集选择。首先，设备可以通过修剪类库来选择子集，直到达到满足目标错误概率的子集，同时最大化分类容量。采用子空间数据模型，证明了分类容量最大化与格拉斯曼装箱的等价性。结果表明，分类容量与瞬时通信速率呈指数增长，与每个数据簇的维数呈超指数增长。如果瞬时速率分别用平均速率和固定速率代替，则这也适用于具有衰落的遍历和中断容量。在第二种情况下，一个设备有一个优先级的类子集的每一个通信速率，这是建模为均匀采样库的实例。在没有类选择的情况下，分类容量及其遍历和中断对应物被证明与其相应的通信速率成线性比例，而不是在最后一种情况下的指数增长。
2020-07-30 cs.IT eess.SP math.IT
Multi-task Learning Approach for Modulation and Wireless Signal Classification for 5G and Beyond: Edge Deployment via Model Compression
Marconi-Rosenblatt AI/ML Innovation Lab（马可尼-罗森布拉特人工智能/机器学习创新实验室）；ANDRO Computational Solutions, LLC（ANDRO计算解决方案有限责任公司）
未来的通信网络必须解决稀缺的频谱，以适应异构无线设备的广泛增长。无线信号识别对于频谱监测、频谱管理、安全通信等变得越来越重要。因此，边缘上的全面频谱感知有可能成为新兴的超5G网络的关键推动因素。该领域的最新研究（i）仅关注单个任务-调制或信号（协议）分类-在许多情况下，这不足以使系统采取行动，（ii）考虑雷达或通信波形（均匀波形类别），以及（iii）在神经网络设计阶段不解决边缘部署。在这项工作中，我们首次在无线通信领域利用基于深度神经网络的多任务学习（MTL）框架的潜力，同时学习调制和信号分类任务，同时考虑电磁频谱中的雷达和通信波形等异构无线信号。建议MTL架构受益于这两个任务之间的相互关系，在提高分类精度以及学习效率与轻量级的神经网络模型。此外，我们还使用无线收集的样本对模型进行了实验评估，并展示了关于模型压缩的第一手见解以及用于在资源受限的边缘设备上部署的深度学习管道。我们证明了显着的计算，内存和精度的改进，所提出的模型在两个参考架构。除了为资源受限的嵌入式无线电平台建模一个轻量级的MTL模型外，我们还提供了一个全面的异构无线信号数据集供公众使用。
2022-06-18 cs.AI cs.LG eess.SP
Nearest neighbor Methods and their Applications in Design of 5G & Beyond Wireless Networks
The University of Leeds（利兹大学）
在本文中，我们提出了最近邻（NN）的方法，这是经常使用监督学习解决分类问题的概述。文章简要介绍了理论背景，算法和实现方面的关键应用。从应用的角度来看，本文探讨了与5G及以后无线网络相关的挑战，这些挑战可以使用NN分类技术来解决。
2021-07-16 cs.LG cs.NI eess.SP
Classification of Intra-Pulse Modulation of Radar Signals by Feature Fusion Based Convolutional Neural Networks
ASELSAN A.S.（ASELSAN公司）；Bilkent University（比尔肯特大学）
基于雷达发射脉冲的雷达检测和分类是电子战系统中的一个重要应用。在这项工作中，我们提出了一种新的基于深度学习的技术，可以自动识别雷达信号的脉冲内调制类型。该方法利用实测雷达信号的重分配频谱图和检测到的瞬时相位异常值，通过特殊函数进行滤波，训练多个卷积神经网络。从网络中自动提取的特征融合，以区分频率和相位调制信号。仿真结果表明，所提出的FF-CNN（基于特征融合的卷积神经网络）技术优于当前最先进的替代方案，并且易于在广泛的调制类型之间扩展。
2022-05-19 cs.LG eess.SP
LatentWave: JEPA Pretraining for Wireless Foundation Models
University of California, San Diego（加州大学圣地亚哥分校）
提出LatentWave，采用联合嵌入预测架构（JEPA）在潜空间预测掩码区域，学习可迁移的无线信号表示，并在四个下游任务中优于掩码建模基线。
2026-10-06 cs.AI eess.SP
Keep It Simple: CNN Model Complexity Studies for Interference Classification Tasks
Virginia Tech（弗吉尼亚理工大学）；George Mason University（乔治梅森大学）；Virginia Tech National Security Institute（弗吉尼亚理工大学国家安全研究所）
针对无线设备计算资源有限而现有深度学习分类模型过于复杂的问题，本文研究了数据集大小、CNN模型复杂度与分类准确率间的权衡，发现参数更少的简单CNN模型能取得与复杂模型相当的表现。
2023-03-06 cs.LG cs.NI eess.SP
A Graph Neural Network Approach for Scalable Wireless Power Control
The Hong Kong University of Science and Technology（香港科技大学）；ShanghaiTech University（上海科技大学）；The Hong Kong Polytechnic University（香港理工大学）
深度神经网络最近作为一种颠覆性技术出现，以实时的方式解决NP难的无线资源分配问题。然而，所采用的神经网络结构，例如，多层感知器（MLP）和卷积神经网络（CNN）是从用于图像处理任务的深度学习继承的，因此不适合于无线网络中的问题。特别是，当无线网络规模变大时，这些方法的性能急剧恶化。在本文中，我们建议利用图神经网络（GNNs）开发可扩展的方法来解决$K$ -用户干扰信道的功率控制问题。具体地，首先将$K$ -用户干扰信道建模为完整图，其中无线信道的定量信息被并入作为图的特征。然后，我们提出了一个干扰图卷积神经网络（IGCNet）学习的最佳功率控制在无监督的方式。结果表明，单层IGCNet是连续集函数的一种通用逼近器，能很好地匹配干扰信道的置换不变性，对不完全信道状态信息（CSI）具有鲁棒性.大量的仿真结果表明，建议IGCNet优于现有的方法，并实现了显着的加速比经典算法的功率控制，即WMMSE。该代码可在https://github.com/yshenaw/Globecom2019上获得。
2019-07-19 cs.IT cs.LG eess.SP
Power Allocation for Wireless Federated Learning using Graph Neural Networks
Army Research Office（陆军研究办公室）
我们提出了一个数据驱动的方法，在干扰受限的无线网络的背景下，联邦学习（FL）的功率分配。功率策略的设计是为了在通信约束下最大化FL过程中传输的信息，最终目标是提高全局FL模型的训练精度和效率。所提出的功率分配策略使用图卷积网络参数化，并通过原始-对偶算法解决相关的约束优化问题。数值实验表明，该方法在传输成功率和FL全局性能方面都优于三种基线方法。
2022-04-04 cs.LG cs.NI eess.SP
Resource-aware Time Series Imaging Classification for Wireless Link Layer Anomalies
随着智能基础设施的兴起，使用最后一英里无线连接的终端设备数量急剧增加，需要可靠的功能来支持平稳高效的业务流程。为了有效地管理如此庞大的无线网络，需要更先进、更准确的网络监控和故障检测解决方案。在本文中，我们进行了第一次分析的无线异常检测使用递归图和Gramian角场的基于图像的表示技术，并提出了一种新的深度学习架构，使准确的异常检测。我们详细阐述了开发一个资源感知架构的设计考虑，并提出了一个新的模型，使用时间序列的图像转换，使用递归图。我们表明，所提出的模型a）比基于Grammian角场的模型高出14个百分点，b）比使用动态时间规整的经典ML模型高出24个百分点，c）优于主流架构（如AlexNet和VGG 11）或与之相当，同时具有<10倍于其权重和高达其计算复杂性的$\approx$ 8\%，以及在各个应用领域的表现超过最先进水平达55个百分点。最后，我们还解释了随机选择的例子如何分类决策。
2021-11-23 cs.LG cs.NI eess.SP
Malicious Pseudo-Ranging and Localization of Static LOS Wireless Users via Downlink Modulation Classification and Uplink Refinement
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
研究通过下行链路调制分类和上行链路细化对静态视距无线用户进行恶意定位的方法，先利用下行链路截获进行伪测距缩小搜索空间，再通过监听上行链路细化位置，经仿真验证有效性，并探讨了攻击的扩展场景及应用。
2026-07-23 cs.CR cs.IT eess.SP
An Analysis of Complex-Valued CNNs for RF Data-Driven Wireless Device Classification
Oregon State University（俄勒冈州立大学）；Intel Corporation（英特尔公司）
最近基于深度神经网络的设备分类研究表明，复值神经网络（CVNN）比实值神经网络（RVNN）产生更高的分类准确性。尽管这种改进（直观地）归因于输入RF数据的复杂性质（即，IQ符号），但没有先前的工作更仔细地分析无线设备识别背景下的这种趋势。我们的研究使用真实的LoRa和WiFi RF数据集更深入地了解了这一趋势。我们深入了解（i）输入表示/类型和（ii）神经网络的架构层的影响。对于输入表示，我们考虑了IQ以及部分和全部的极坐标。对于架构层，我们考虑了一系列消融实验，消除部分CVNN组件。我们的结果表明，在上述各种场景中，CVNN的表现始终优于RVNN，这表明CVNN能够更好地利用通过信号的同相（I）和正交（Q）分量提供的联合信息。
2022-02-20 cs.IT cs.LG eess.SP
