A Physics-Aware Collaborative Framework With Prototype Consistency for Noisy Label Signal Modulation Classification

Lingling Li

doi:10.1109/JIOT.2025.3610018

A Physics-Aware Collaborative Framework With Prototype Consistency for Noisy Label Signal Modulation Classification

2025-10-28

0

PRE

AI

DOI：10.1109/JIOT.2025.3610018

原文链接

原文求助

摘要

En 中文

信号调制分类（SMC）是无线通信领域的一项基础性技术。然而，实际场景中标签噪声的普遍存在严重制约了SMC技术的发展。现有SMC方法高度依赖高质量标注数据，且常常未能充分利用信号固有的物理先验知识。为解决这些问题，本文提出了一种具有原型一致性的物理感知协作框架（PhyCo-PC），该框架专为噪声标签环境设计，无需依赖可靠标签即可运行。首先，该框架利用协同教学（co-teaching）进行噪声识别，并引入一个协作共识引导模块用于原型学习和伪标签生成。其次，它构建了一个物理引导的下游决策模块，该模块融合深度学习（DL）特征与瞬时物理信号特性，以增强决策的鲁棒性。第三，引入了一种领域知识引导的自适应样本选择（DKASS）策略。DKASS对选择率调度函数进行参数化，融入领域知识以约束搜索空间，并通过自动化搜索进行优化。这使得模型能够自适应地确定不同噪声环境下的最优训练策略。最后，实验结果表明，在RML2016.10a/04c数据集上，PhyCo-PC在复杂标签噪声场景下显著提升了SMC分类性能，展现出优异的鲁棒性和显著优势。

Keyword:

Collaborative learning

noisy labels

physics aware

prototype consistency

signal modulation classification (SMC)

A Physics-Aware Collaborative Framework With Prototype Consistency for Noisy Label Signal Modulation Classification

摘要

期刊

机构

引用论文