.png){kind=icon}
返回
Parallel-Serial Convolution Cascade Time-Frequency Attention Network for Wireless Interference Recognition
.png){kind=icon}
PRE
AI
DOI：10.1109/TVT.2025.3596230.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无线干扰识别 (WIR) 技术已被证明是有效的抗干扰解决方案。随着深度学习 (DL) 的发展，已经为WIR探索了各种基于DL的方法。然而，现有的多特征输入方法难以有效融合干扰信号的不同维度特征，导致识别性能欠佳。为了应对这些挑战，我们提出了一种用于复杂环境中干扰信号检测的并行-串行卷积级联时频注意网络 (psc-tfan)。Psc-tfan使用干扰信号的时频图像 (tfi) 作为单个输入，从而无需复杂的多输入设计。开发了并行-串行卷积模块以提取干扰信号的局部特征，并辅以增强的深度方向可分离卷积 (EDSC) 以减少计算开销。此外，我们介绍了三种嵌入策略，以强调干扰信号的互补特征。时频注意模块进一步组合这些特征以突出相关信息，同时抑制冗余和噪声。实验结果表明，与最先进的DL模型相比，psc-tfan实现了更高的识别精度和更低的计算复杂度，从而确立了其在实际WIR应用中的有效性。
Keyword:
Wireless interference recognition
convolutional neural networks
enhanced depthwise separable convolution
time-frequency attention
fusion strategy
期刊
IF:
7.1
论文数:
1.8W
被引数:
6.6W
机构
引用论文
Compound Model of Navigation Interference Recognition Based on Deep Sparse Denoising Auto-encoder.png)
2020 IEEE 3rd International Conference on Information Communication and Signal Processing (ICICSP)
2020 IEEE 3rd International Conference on Information Communication and Signal Processing (ICICSP)IF0
PREAI
分享收藏Feature extraction algorithm of anti-jamming cyclic frequency of electronic communication signal
PREAI
分享收藏Deep Learning for Security in Digital Twins of Cooperative Intelligent Transportation Systems面向协作智能交通系统数字孪生体安全的深度学习
PREAI
分享收藏分享收藏A New Feature Extraction Algorithm Based on Entropy Cloud Characteristics of Communication Signals
OAAI
OAAI分享收藏分享收藏HDCGD-CBAM: Satellite Interference Recognition Algorithm Based on Improved CLDNN and CBAMCHINA COMMUNICATIONS
CHINA COMMUNICATIONSIF3.1
PREAI
分享收藏
查看更多内容