大规模射频宽带信号检测与识别
信号处理
2022-11-21 v1 机器学习
摘要
深度学习在射频（RF）领域的应用主要集中于在已从宽带捕获中检测和提取的感兴趣信号之后的窄带信号分类任务。为鼓励更广泛的宽带操作研究，我们引入了WidebandSig53（WBSig53）数据集，其包含来自53个不同信号类的55万个合成生成样本，约含200万个独特信号。我们扩展了TorchSig信号处理机器学习工具包，以对WBSig53数据集进行开源且可定制的生成、增强和处理。我们使用WBSig53数据集，采用最先进的（SoTA）卷积神经网络和transformers进行了实验。我们研究了信号检测任务的性能，即检测输入数据中所有信号的存在、时间和频率，以及信号识别任务的性能，即网络检测输入数据中所有信号的存在、时间、频率和调制族。使用在复数输入频谱图上运行的分割网络和对象检测网络，对完成这些任务的两种主要方法进行了评估。最后，我们根据网络的平均精度均值、平均召回均值和推理速度对各种方法进行了比较分析。
引用
@article{arxiv.2211.10335,
title = {Large Scale Radio Frequency Wideband Signal Detection & Recognition},
author = {Luke Boegner and Garrett Vanhoy and Phillip Vallance and Manbir Gulati and Dresden Feitzinger and Bradley Comar and Robert D. Miller},
journal= {arXiv preprint arXiv:2211.10335},
year = {2022}
}