公开(公告)号：CN115563485A

公开(公告)日：2023-01-03

申请号：CN202211115475.6

申请日：2022-09-14

Applicant: 电子科技大学

Inventor： 马松 ,  程郁凡 ,  王鹏宇 ,  王军 ,  胡若凡 ,  尚高阳

IPC: G06F18/20 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084 ,  H04B17/336 ,  H04B17/345

Abstract: 本发明属于通信技术领域，尤其涉及一种基于深度学习的低复杂度干扰识别方法。本发明搭建的网络引入了时频分量感知的模块，在卷积提取干扰信号的时频图的特征之前，对时频分量的位置和重要的部分进行定位，并在执行卷积运算时只计算重要位置处的干扰特征，从而减少了冗余的计算；此外，为了进一步降低计算复杂度，引入了一种新的自适应前向传播算法，网络可以在推理过程中根据样本的干噪比确定前向传播的深度；使用所提出的方法有效降低了网络在干扰识别的部署成本，且计算复杂度低于现有方法，并在某些情况下低复杂度网络的识别精度甚至可以超过对应优化前的网络；本发明有显著优势，而且本发明易于实现，具有很强的应用价值。

公开(公告)号：CN117394934A

公开(公告)日：2024-01-12

申请号：CN202311425051.4

申请日：2023-10-30

Applicant: 电子科技大学

Inventor： 马松 ,  程郁凡 ,  胡若凡 ,  王军 ,  牟颖 ,  王鹏宇

IPC: H04B17/345 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/048 ,  G06N3/045

Abstract: 本发明属于通信技术领域，尤其涉及一种基于深度学习的干扰信号识别方法。本发明采用了多分支卷积神经网络作为干扰识别网络，为每个卷积层提供了多套权重，每套权重独立存储，在网络前向传播时，每一个卷积层的多套权重通过矩阵加法运算得到合成的权重赋值给该卷积层，在反向传播时，每一层卷积的每一套权重独立更新，这样采用了多套权重后经过计算，使得在数学模型与多分支神经网络数学等价，有效的汲取了多分支网络的识别性能优势，而在计算复杂度方面避免了多分支网络每条分支独立计算的复杂度，从本质上将特征图计算复杂度转化为了卷积核间计算复杂度，使得模型达到了精度和计算复杂度的平衡。

公开(公告)号：CN115296759A

公开(公告)日：2022-11-04

申请号：CN202210831105.6

申请日：2022-07-15

Applicant: 电子科技大学

Inventor： 程郁凡 ,  王鹏宇 ,  胡若凡 ,  尚高阳 ,  马松 ,  王军

IPC: H04B17/345 ,  G06K9/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的干扰识别方法。本方法主要原理为：1)采用了局部注意力融合层，将若干个数量相同的输入分割信息块划分为不同的区域，在每个区域中独立地计算区域内的全局特征，由于每个区域中分割信息块的数量远小于全部分割信息块的数量，这时独立计算所有区域内部的全局特征的计算量远小于多头自注意力同时计算所有输入的信息块，2)引入了块聚合模块，它与局部注意力融合层交替出现，该模块可以将几个输入的信息块转换为一个信息块并聚合这些信息块的信息，使得随着层数的增加，输出的信息片段逐渐减少，本发明中块聚合模块采用了轻量级深度卷积，使得全局特征丰富的同时也引入了网络对局部特征的关注，从而提高识别性能。