.png){kind=icon}
返回
Automatic Modulation Recognition via Autoencoder-Driven Amplitude–Phase Interaction Enhancement
.png){kind=icon}
OA
AI
DOI：10.3390/computers15090567.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
认知无线电系统中，自动调制识别（AMR）是频谱感知和信号解调的关键技术。现有大多数AMR方法使用原始的同相/正交（I/Q）数据或I/Q数据的直接变换作为神经网络的输入，但未明确建模信号幅度与相位之间的非线性交互。这一局限可能限制复杂信道和高阶调制方案下的识别性能。为解决此问题，提出了一种基于幅度/相位（A/P）交互增强的AMR方法。设计了一种带有残差转换模块的幅度-相位交互自动编码器（APIAE），通过无监督重建学习极坐标域中的幅度-相位交互特征，并将学习到的交互特征与原始A/P数据拼接，形成增强的三通道表示供下游分类器使用。在RadioML2018.01A子集上的实验表明，所有五种评估的骨干网络均受益于所提出的表示方法。在四组独立运行中，GRU-Enhanced达到98.72±0.20%的平均最佳准确率，CLDNN实现7.39%的总体平均准确率相对增益，16QAM和64QAM的识别率在4 dB下显著提升。分类器侧的输入适配使所有评估骨干网络的参数数量增加不到0.5%，而独立的APIAE前端包含约735万个参数。与原始骨干网络相比，额外的端到端单样本推理延迟在测试环境中不超过12 μs。
Keyword:
automatic modulation recognition
deep learning
autoencoder
amplitude–phase interaction
feature enhancement
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
C
IF:
4.2
论文数:
1.5K
被引数:
3.3K
机构
引用论文
暂无论文信息