针对6G时代将会是移动通信与人工智能紧密结合的时代,产生数量庞大的边缘智能信号处理节点的趋势,提出了一种可部署于资源受限的边缘设备上的高效智能电磁信号识别模型。首先,通过绘制电磁信号的星座图将电磁信号具象为二维图像,并根据...针对6G时代将会是移动通信与人工智能紧密结合的时代,产生数量庞大的边缘智能信号处理节点的趋势,提出了一种可部署于资源受限的边缘设备上的高效智能电磁信号识别模型。首先,通过绘制电磁信号的星座图将电磁信号具象为二维图像,并根据归一化点密度对星座图上色以实现特征增强;然后,使用二值化深度神经网络对其进行识别,在保证识别准确率的同时明显降低了模型存储开销以及计算开销。采用电磁信号调制识别问题进行验证,实验选取常用的8种数字调制信号,选择加性高斯白噪声为信道环境。实验结果表明,所提方案可以在信噪比为-6~6 d B的噪声条件下获得96.1%的综合识别率,网络模型大小仅为166 KB,部署于树莓派4B的执行时间为290 ms,相比于同规模的全精度网络,准确率提升了0.6%,模型缩减到1/26.16,运行时间缩减到1/2.37。展开更多
文摘针对6G时代将会是移动通信与人工智能紧密结合的时代,产生数量庞大的边缘智能信号处理节点的趋势,提出了一种可部署于资源受限的边缘设备上的高效智能电磁信号识别模型。首先,通过绘制电磁信号的星座图将电磁信号具象为二维图像,并根据归一化点密度对星座图上色以实现特征增强;然后,使用二值化深度神经网络对其进行识别,在保证识别准确率的同时明显降低了模型存储开销以及计算开销。采用电磁信号调制识别问题进行验证,实验选取常用的8种数字调制信号,选择加性高斯白噪声为信道环境。实验结果表明,所提方案可以在信噪比为-6~6 d B的噪声条件下获得96.1%的综合识别率,网络模型大小仅为166 KB,部署于树莓派4B的执行时间为290 ms,相比于同规模的全精度网络,准确率提升了0.6%,模型缩减到1/26.16,运行时间缩减到1/2.37。
