An Efficient and Explainable Multi-Task Learning Framework for Wireless Signal Recognition Tasks

Ruixiang Zhang

doi:10.1109/LWC.2025.3644312

An Efficient and Explainable Multi-Task Learning Framework for Wireless Signal Recognition Tasks

2026-01-01

0

PRE

AI

DOI：10.1109/LWC.2025.3644312

原文链接

原文求助

摘要

En 中文

作为无线信号识别中的两项关键任务，自动调制分类（AMC）和特定发射机识别（SEI）是相关的，因为调制特征和射频指纹特征是耦合在一起的。现有方法通常独立处理这两项任务，并且缺乏可解释性，导致性能较弱，尤其是在低信噪比（SNR）条件下。在本文中，我们提出了一个面向AMC和SEI任务的可解释多任务学习框架，以提升识别性能和可解释性。具体而言，我们设计了一个多任务学习模块，利用两项任务之间的特征相关性，相比单任务模型实现了性能提升。此外，引入了信号生成器和局部线性模块来解释模型决策过程。实验结果表明，与单任务基准相比，本框架在识别准确率和可解释性方面均具有优越性，特别是在低SNR条件下。

Keyword:

Multi-task learning

automatic modulation classification

specific emitter identification

low-SNR

An Efficient and Explainable Multi-Task Learning Framework for Wireless Signal Recognition Tasks

摘要

期刊

机构

引用论文