基于深度学习的认知无线电调制参数估计

自动调制分类是电磁空间感知的一个关键问题,目前传统的识别技术很难适应复杂的信号情况。现有的调制分类算法大多忽略了不同特征之间的互补性和特征融合的重要性。基于此,提出一种用于自动调制分类的图像特征融合方法。该方法充分利用了不同图像特征之间的互补性,通过格拉姆角场(Gramian Angular Field, GAF)方法将原始信号转换为图像,同时利用累积极坐标特征转换技术将接收到的信号从I-Q域转换为r-θ域,在r-θ域对原始信号进行特征编码然后转换为图像。使用深度学习对两种图像进行特征提取,将提取的特征融合后用作神经网络分类器的输入,以实现对多种类型信号的自动调制分类。实验结果表明,使用Swin-Transformer网络模型对转换后的图像进行分类,在信噪比大于4 dB的情况下,调制方法的识别率超过90%。

高效率远距离激光无线能量传输方案设计

为了提高激光传能的电到电转化效率,文章设计了一种激光传能系统,采用相位阵列提高光束接收端光强分布的均匀度同时提高激光发射端与光束接收端之间的瞄准精度,优化了光电池排列设计,增大了光电池对激光束的接收效率及光电转换效率,从而提高了激光传能的电到电转换效率。

基于轻量级混合神经网络的边缘设备调制识别方法

由于计算能力和内存的限制,很难将传统的深度学习模型应用于物联网边缘设备,以实现自动调制识别。为有效结合卷积神经网络和视觉Transformer网络的优势,引入了一种应用于物联网边缘设备的卷积和Transformer组合网络模型ICTNet(Internet of Things CNN Transformer network)。ICTNet不仅拥有Transformer的优势来捕捉特征长程依赖关系,还可以利用CNN的优势提取特征局部信息,在缩减模型大小的同时增加调制识别精度。ICTNet模型在RadioML2016.10a、RadioML2016.10b和RadioML2016.04c数据集中的平均识别准确率分别为61.51%、64.18%和71.96%。此外,ICTNet在典型边缘设备上处理每个信号样本的时间接近0.01 ms,且比现有的DL-AMR模型小很多,只有29455个参数。