Để Khắc phục những hạn chế của các phương pháp nhận dạng phổ hiện có, vốn có khả năng tổng quát hóa hạn chế và độ chính xác dưới mức tối ưu trong nhiều môi trường và tác vụ phổ khác nhau, chúng tôi đề xuất SpectrumFM, một mô hình dựa trên phổ. SpectrumFM nắm bắt hiệu quả các cấu trúc tín hiệu cục bộ chi tiết và các phụ thuộc toàn cục đa chiều trong dữ liệu phổ thông qua một bộ mã hóa phổ cải tiến tận dụng mạng nơ-ron tích chập và cơ chế tự chú ý đa đầu. Để tăng cường khả năng thích ứng của mô hình, chúng tôi phát triển hai tác vụ học tự giám sát mới - tái tạo mặt nạ và dự đoán tín hiệu khe tiếp theo - để huấn luyện trước SpectrumFM và học các biểu diễn phong phú, có thể chuyển giao. Hơn nữa, chúng tôi tận dụng tinh chỉnh hiệu quả tham số thích ứng hạng thấp (LoRA) để cho phép SpectrumFM thích ứng liền mạch với các tác vụ nhận dạng dưới phổ đa dạng, bao gồm cảm biến phổ (SS), phát hiện bất thường (AD) và phân loại công nghệ không dây (WTC). Các thí nghiệm mở rộng chứng minh rằng SpectrumFM vượt trội hơn các phương pháp hiện đại, cụ thể là cải thiện khả năng phát hiện thêm 30% ở SNR -4 dB trong nhiệm vụ SS, cải thiện diện tích dưới đường cong (AUC) hơn 10% trong nhiệm vụ AD và cải thiện độ chính xác của WTC thêm 9,6%.
