基于YOLOv8的拥挤射频环境中通信与雷达信号的联合检测与分类
信号处理
2024-08-14 v2
摘要
本文对最先进的计算机视觉（CV）模型YOLOv8应用于高度动态和拥挤射频环境中信号联合检测与分类这一挑战性问题进行了全面研究。利用我们的合成射频数据集，我们探索了三种包含拥挤通信和雷达信号的场景。在第一项研究中，我们将YOLOv8应用于检测和分类在高度拥挤和动态的频谱环境中共存、且在频率和时间域上存在显著重叠的多种数字调制信号。训练后的模型在IoU阈值为50%时实现了令人印象深刻的平均精度均值（mAP）0.888，表明其对频谱拥挤的鲁棒性。研究的第二部分专注于多种多相脉冲雷达信号的检测与分类，包括Frank码以及P1至P4码。我们成功训练YOLOv8在密集信号环境中获得了近乎完美的mAP50得分0.995，进一步展示了其在雷达信号处理中的能力。在最后一个场景中，我们证明了该模型也可应用于连续波雷达的多目标检测问题。这些实验中使用的合成数据集反映了通信和雷达信号在不同干扰和拥挤程度下的现实混合——这一设置被许多过去主要关注数字通信信号调制方案基于机器学习分类的研究所忽视。我们的研究展示了先进CV模型在涉及通信和雷达信号的拥挤动态射频环境中解决频谱感知问题的潜力。我们希望我们的发现能激发进一步的合作努力，以应对拥挤射频频谱环境的复杂性。
引用
@article{arxiv.2406.00582,
title = {Joint Detection and Classification of Communication and Radar Signals in Congested RF Environments Using YOLOv8},
author = {Xiwen Kang and Hua-mei Chen and Genshe Chen and Kuo-Chu Chang and Thomas M. Clemons},
journal= {arXiv preprint arXiv:2406.00582},
year = {2024}
}
备注
Revised from the previous version