.png){kind=icon}
返回
Atomic microwave sensing based on CNN-transformer
.png){kind=icon}
OA
AI
DOI：10.1063/5.0280713.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，里德堡原子传感器因其高灵敏度、宽动态范围和微型化能力而受到广泛关注。然而，激光功率波动、频率漂移及环境引入的噪声，与里德堡原子的固有量子噪声一同存在，显著降低了微波传感的系统性能。本研究尝试通过将里德堡原子传感器与卷积神经网络（CNN）-Transformer模型相结合来降低噪声影响。CNN模块捕捉信号的本征时域特征，而Transformer模块提取这些特征内的全局相关性。我们将其应用于原子微波传感的以下分类任务：多频微波识别、宽带频谱监测和自动调制识别。我们证明了CNN-Transformer模型在三项任务中均达到高精度，并能有效降低噪声影响，这为雷达探测和无线通信领域的应用提供了显著潜力。(c) 2025 Author(s)。除另有注明外，本文内容均依据知识共享署名-非商业性使用-禁止演绎4.0国际许可协议（CC BY-NC-ND 4.0）授权（https://creativecommons.org/licenses/by-nc-nd/4.0/）。
Keyword:
CONVOLUTIONAL NEURAL-NETWORKS
DEEP
PERFORMANCE
LSTM
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.5
论文数:
2.7K
被引数:
14.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏Microwave Passive Direction-Finding Method Based on NV Color Center in Diamond基于金刚石NV色心的微波被动测向方法OAAI
OAAI分享收藏分享收藏Learning Rotation-Invariant and Fisher Discriminative Convolutional Neural Networks for Object Detection用于目标检测的学习旋转不变和Fisher判别卷积神经网络
PREAI
分享收藏
查看更多内容