Abstract: W. Li, S. Li, Y. Tan, L. Chen, Y. Jia (2025)

This paper proposes a novel unmanned aerial vehicle (UAV) radio frequency (RF) signal classification method using a dual-stream cross-attention network that fuses local recursive and global evolutionary features. It generates recurrence plots and gramian angular summation field (GASF) plots through phase space reconstruction and polar coordinate mapping, capturing local and global signal characteristics. A dual-stream architecture combining convolutional neural network (CNN) and Swin Transformer extracts and integrates these features, enhanced by a cross-attention dynamic gating mechanism (CADGM). Experiments show 98.6% accuracy on 16 UAV RF signal classes, outperforming ResNet50 and Vision Transformer (ViT) by at least 4.1%.

Please note: The abstracts of the bibliography database may underly other copyrights.

Ihr Browser versucht gerade eine Seite aus dem sogenannten Internet auszudrucken. Das Internet ist ein weltweites Netzwerk von Computern, das den Menschen ganz neue Möglichkeiten der Kommunikation bietet.

Da Politiker im Regelfall von neuen Dingen nichts verstehen, halten wir es für notwendig, sie davor zu schützen. Dies ist im beidseitigen Interesse, da unnötige Angstzustände bei Ihnen verhindert werden, ebenso wie es uns vor profilierungs- und machtsüchtigen Politikern schützt.

Sollten Sie der Meinung sein, dass Sie diese Internetseite dennoch sehen sollten, so können Sie jederzeit durch normalen Gebrauch eines Internetbrowsers darauf zugreifen. Dazu sind aber minimale Computerkenntnisse erforderlich. Sollten Sie diese nicht haben, vergessen Sie einfach dieses Internet und lassen uns in Ruhe.

Die Umgehung dieser Ausdrucksperre ist nach §95a UrhG verboten.

Mehr Informationen unter www.politiker-stopp.de.

Dual-stream cross-attention network with fusing local recursive and global evolutionary features for drone RF signal classification