我简直不敢相信它不是真的：CV-MuSeNet：复杂值多信号分割

无线电频谶的不断拥堵为高效的频谱利用带来了挑战。认知无线电系统借助最新神经网络创新实现动态频谱访问。然而，传统的实值神经网络（RVNN）在低信噪比（SNR）环境中面临困难，因为它们并非专为捕捉相位和�幅等关键无线信号属性而设计。本工作提出CMuSeNet—a用于宽带频谱感知的复杂值多信号分割网络，以解决上述局限性。广泛的超参数分析表明，将现有的RVNN直接转换为其复杂值对应版本是无效的。基于具有残差结构的复杂值神经网络（CVNN），CMuSeNet引入了复杂值傅里叶谱焦点损失（CFL）和复杂平面交并比（CIoU）相似度度量，以增强训练性能。在合成数据、室内实测和真实世界数据集上的广泛评估表明，CMuSeNet的平均准确率达到98.98%-99.90%，相较于其实值对手提升了最高达9.2个百分点，且始终优于最先进的方法。 Strikingly，CMuSeNet在仅两个时代即可达到其RVNN对手的准确率，而RVNN则需27个时代，同时将训练时间缩短最高达92.2%。这些结果凸显了复杂值架构在改善弱信号检测和训练效率方面对于面临挑战的低SNR环境中的频谱感知的有效性。数据集可在：https://dx.doi.org/10.21227/hcc1-6p22 获得。