Para superar las limitaciones de los métodos de reconocimiento espectral existentes, que presentan una generalización limitada y una precisión subóptima en diversos entornos y tareas espectrales, proponemos SpectrumFM, un modelo basado en el espectro. SpectrumFM captura eficazmente estructuras de señales locales de grano fino y dependencias globales de alta dimensión en datos espectrales mediante un codificador espectral innovador que aprovecha redes neuronales convolucionales y un mecanismo de autoatención multicabezal. Para mejorar la adaptabilidad del modelo, desarrollamos dos nuevas tareas de aprendizaje autosupervisado (reconstrucción de máscara y predicción de señal de la siguiente ranura) para preentrenar SpectrumFM y aprender representaciones ricas y transferibles. Además, aprovechamos el ajuste fino eficiente de parámetros de adaptación de bajo rango (LoRA) para permitir que SpectrumFM se adapte sin problemas a diversas tareas de reconocimiento subespectral, incluyendo la detección de espectro (SS), la detección de anomalías (AD) y la clasificación de tecnología inalámbrica (WTC). Amplios experimentos demuestran que SpectrumFM supera a los métodos de última generación, mejorando específicamente la probabilidad de detección en un 30 % a -4 dB SNR en la tarea SS, mejorando el área bajo la curva (AUC) en más del 10 % en la tarea AD y mejorando la precisión de WTC en un 9,6 %.
