Pour surmonter les limites des méthodes de reconnaissance spectrale existantes, qui présentent une généralisation limitée et une précision sous-optimale dans divers environnements et tâches spectraux, nous proposons SpectrumFM, un modèle basé sur le spectre. SpectrumFM capture efficacement les structures de signaux locaux à granularité fine et les dépendances globales à haute dimension dans les données spectrales grâce à un encodeur spectral innovant qui exploite les réseaux de neurones convolutifs et un mécanisme d'auto-attention multi-têtes. Pour améliorer l'adaptabilité du modèle, nous développons deux nouvelles tâches d'apprentissage auto-supervisé – la reconstruction de masque et la prédiction du signal du prochain créneau – pour pré-entraîner SpectrumFM et acquérir des représentations riches et transférables. De plus, nous exploitons l'adaptation de bas rang (LoRA) et le réglage fin des paramètres pour permettre à SpectrumFM de s'adapter parfaitement à diverses tâches de reconnaissance sous-spectrale, notamment la détection de spectre (SS), la détection d'anomalies (AD) et la classification des technologies sans fil (WTC). Des expériences approfondies démontrent que SpectrumFM surpasse les méthodes de pointe, améliorant notamment la probabilité de détection de 30 % à -4 dB SNR dans la tâche SS, améliorant l'aire sous la courbe (AUC) de plus de 10 % dans la tâche AD et améliorant la précision du WTC de 9,6 %.
