研究人员开发了一种新颖的不确定性驱动混合深度学习架构，用于射频（RF）调制识别。该系统结合了来自FFT预处理的光谱信息和来自STFT频谱图的时频特征。它采用2D CNN进行快速初步分类，使用MC Dropout进行贝叶斯不确定性估计，并在置信度低时使用BiLSTM进行二次决策。该方法在推理时间为0.138毫秒的情况下达到了83.3%的准确率，优于传统方法，尤其是在区分基于FSK的调制方面。 AI
影响 这种混合深度学习方法为射频调制识别提供了更准确、更高效的解决方案，这对于频谱监测和电子战等应用至关重要。
排序理由 这是一篇详细介绍用于射频调制识别的新型深度学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- 2D-CNN Architecture for Accurate Classification of COVID-19 Related Pneumonia on X-Ray Images
- BiLSTM
- FSK 0
- MC Dropout
- short-time Fourier transform
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
