22、基于深度学习的无线通信抗干扰与识别技术

基于深度学习的无线通信抗干扰与识别技术

1. 实时宽带频谱 - 时间射频识别系统 WRIST

1.1 系统目标

为了实现精确的射频信号分类和频谱 - 时间定位，同时具备实时处理能力，并支持 100 MHz 宽的 2.4 GHz ISM 频段，我们开发了名为 WRIST 的新型射频识别系统。该系统的主要目标有三个方面：
1. 精确分类和频谱 - 时间定位射频信号。
2. 具备实时处理能力。
3. 支持 100 MHz 宽的 2.4 GHz ISM 频段。

1.2 深度学习模型与优化

1.2.1 基于 YOLO 的深度学习方法

我们的深度学习方法借鉴了 YOLO 算法，它是文献中最快的目标检测算法之一。YOLO 是一种单阶段目标检测方法，通过单个神经网络实现端到端处理，比依赖缓慢复杂管道的两阶段目标检测方法快得多。

为了提高射频识别的速度和准确性，我们对 YOLO 算法进行了两项深度学习优化：
1. 以射频为中心的锚框 ：YOLO 网络使用多个边界框来识别频谱图像中的发射信号，每个框代表一个潜在的发射信号。网络将输入划分为 (S \times S) 网格，每个单元格生成 (B) 个边界框，用于预测中心位于该单元格内的发射信号。为了捕捉不同宽高比的目标，YOLO 算法为每个网格单元格使用一组预定义大小的边界框，即锚框。然而，与原始 YOLO 模型训练的现实物体不同，射频发射信号的大小通常由于数据包持续时间和带宽的变化而高度可变。因此，我们使用 K - 均值聚类算法在射频发射信号的训练数据集上生成以射频为中心的锚框，取代了基于现实物体的原始