.png){kind=icon}
返回
An Adversarial Margin Driven Rectified Prototypical Learning Method for Few-Shot Incremental Automatic Modulation Recognition
.png){kind=icon}
PRE
AI
DOI：10.1109/LWC.2025.3641556.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动调制识别（AMR）已被证明是无线通信系统中的关键组成部分。然而，动态环境中调制方案的日益多样化，加之标记训练数据的稀缺，为动态变化的无线通信环境下的少样本增量AMR（FSI-AMR）带来了显著挑战。为解决此问题，FSI-AMR提供了一种有前景的解决方案。在本文中，我们介绍了一种对抗性边界引导的修正原型学习（AMG-RPL）框架，该框架在有效缓解基类调制遗忘的同时，提高了对新调制类型的适应性。所提出的方法在基训练阶段集成了对抗性边界学习机制与双分类器，实现了可迁移的调制不变特征的提取，同时保留了区分性的调制特定特征。此外，设计了一种修正原型学习策略，用于在增量阶段优化类别原型，减少认知偏差并促进快速少样本适应。全面的实验评估表明，AMG-RPL在FSI-AMR任务中优于现有的先进方法。
Keyword:
Few-shot incremental automatic modulation recognition
adversarial margin
rectified prototypical learning
期刊
I
IF:
5.5
论文数:
867
被引数:
0
机构
引用论文
An Effective Masked Transformer Model for Automatic Modulation Recognition一种用于自动调制识别的有效掩码Transformer模型
PREAI
分享收藏Modulation Recognition of Underwater Acoustic Signals Using Deep Hybrid Neural Networks基于深度混合神经网络的水声信号调制识别
PREAI
分享收藏Li, Y.; Shi, X.; Tan, H.; Zhang, Z.; Yang, X.; Zhou, F. Multi-Representation Domain Attentive Contrastive Learning Based Unsupervised Automatic Modulation Recognition. Nat. Commun. 2024, 16, 5951. [Google Scholar] [CrossRef] [PubMed]Li, Y.; Shi, X.; Tan, H.; Zhang, Z.; Yang, X.; Zhou, F. 基于多表示领域注意对比学习的无监督自动调制识别。Nat. Commun. 2024, 16, 5951. [Google Scholar] [CrossRef] [PubMed].png)
IF0
PREAI
分享收藏分享收藏
查看更多内容