.png){kind=icon}
返回
A Survey on Deep Learning Enabled Automatic Modulation Classification Methods: Data Representations, Model Structures, and Regularization Techniques
.png){kind=icon}
PRE
AI
DOI：10.1016/j.sigpro.2025.110444.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
如今，智能无线通信因其超高速、低延迟和大规模连接能力，已在多个领域引发发展。作为认知通信中的关键技术，自动调制分类（AMC）旨在识别未知接收信号的调制方案。AMC在军事和民用应用中都发挥了重要作用。此外，以深度学习（DL）为代表的人工智能算法的快速发展为AMC带来了新的机遇。本综述调查了一系列基于DL的AMC方法，包括关键技术、性能、优势、挑战及未来关键发展方向。介绍了各种AMC方法的技术细节，如数据表示、模型结构和训练过程中的正则化技术。对公开或模拟数据集上基于DL的AMC方法的最先进实验结果进行了比较和分析。尽管已取得一定成就，但现有方法仍存在局限性，包括泛化能力、推理效率、模型复杂度以及对通信参数变化的鲁棒性。最后，我们总结了基于DL的AMC方法面临的主要挑战和关键未来研究方向。期望通过关键的理论基础和技术路线，激发改进AMC性能的核心思路。
期刊
IF:
3.6
论文数:
10.0K
被引数:
1.7W
机构
引用论文
Fusion Methods for CNN-Based Automatic Modulation Classification基于CNN的自动调制分类融合方法.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Real-Time OFDM Signal Modulation Classification Based on Deep Learning and Software-Defined Radio
PREAI
分享收藏MCNet: An Efficient CNN Architecture for Robust Automatic Modulation ClassificationMCNet: 一种用于鲁棒自动调制分类的高效CNN架构
PREAI
分享收藏MobileRaT: A Lightweight Radio Transformer Method for Automatic Modulation Classification in Drone Communication SystemsMobileRaT: 一种用于无人机通信系统中自动调制分类的轻量级无线电变压器方法DRONES
OAAI
DRONESIF4.8
OAAI分享收藏Machine learning assisted quantum super-resolution microscopy机器学习辅助量子超分辨显微镜NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏On the Road to 6G: Visions, Requirements, Key Technologies, and Testbeds在通往6g的道路上: 愿景、需求、关键技术和测试平台OAAI
OAAI分享收藏
查看更多内容