تشخیص تداخل فرکانس رادیویی با استفاده از یادگیری عمیق

تداخل فرکانس رادیویی (RFI) به عنوان یک سیگنال مزاحمو غیر عادی در نظر گرفته میشود به دلیل تاثیر مضر آن درارتباطات بیسیم. به همین دلیل، کاهش RFI برای جلوگیری از این تاثیر ضروری است. تشخیص و موقعیت یابی RFI اولین گام ها در فرایند کاهش RFI هستند. در این مقاله، دو روش برای تشخیص و موقعیت یابی RFI با استفاده از تکنیک های نظارت شده و نظارت نشده یادگیری عمیق ارائه میدهیم. اولا،تحقیق ما یک الگوریتم تشخیص شیء مبتنی بر شبکه عصبیکانولوشنال را به عنوان یک رویکرد نظارت شده بررسی میکند. این پیشنهاد بر اساس الگوریتم تشخیص شیء (You Only Look Once v۳ (YOLO-v۳ است که بر روی داده های واقعی آلوده به چندین منبع RFI آموزش دیده است. دوما، ما استفاده از Autoencoder کانولوشنال (CAE) را به عنوان یک رویکرد نظارت نشده پیشنهاد می کنیم. نتایج تجربی نشان میدهد که تشخیص RFI توسط YOLO-v۳ نسبتا سریع است و نرخ تشخیص دقیق بسیار خوبی ۹۴% دارد و نشان میدهد که دقت متوسط الگوریتم YOLO-V۳ می تواند به ۸۹% برسد. برای CAE، دقت متوسط ۷۸٪ است و در برخی موارد از رویکرد نظارت شده بهتر عمل می کند. شرایط نمایه - تداخل فرکانس، تشخیص ناهنجاری، Autoencoders, YOLO-v۳ کانولوشنال، یادگیری نظارت شده، یادگیری نظارت نشده.