.png){kind=icon}
返回
Boosting Automatic Modulation Recognition in Wireless Communications With Frequency Encoder
.png){kind=icon}
PRE
AI
DOI：10.1109/TCCN.2024.3516032.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）在无线通信中发挥着关键作用。基于深度学习的AMR方法因其高精度而备受关注。其中，基于Transformer的模型前景广阔，但在嘈杂环境中表现往往欠佳。为解决此问题，我们提出了一种专门针对信号数据设计的Transformer模型，命名为radio transformer（RaT），旨在提取频域特征以实现更高的分类精度。我们设计了一个包含自适应滤波器的频域编码器，用于为每个频率分量分配权重。此外，我们在分类阶段引入全局平均池化（GAP）以降低噪声影响。进一步地，我们分析了模型在不同切片长度和编码器层数下的表征能力，确定了两个参数的最优配置。在RML 2018.01A数据集上的实验结果表明，我们提出的RaT模型性能卓越，尤其在低信噪比（SNR）条件下表现突出。当SNR为4 dB时，准确率最高提升15.79%，凸显了其在实时通信应用中的有效性与潜力。
Keyword:
Modulation recognition
deep learning
wireless communications
期刊
I
IF:
7
论文数:
1.6K
被引数:
5.5K
机构
引用论文
.png){kind=icon}
分享收藏A Transformer-Based Contrastive Semi-Supervised Learning Framework for Automatic Modulation Recognition基于Transformer的对比半监督学习自动调制识别框架
PREAI
分享收藏分享收藏Deep Learning Models for Wireless Signal Classification With Distributed Low-Cost Spectrum Sensors基于分布式低成本频谱传感器的无线信号分类深度学习模型
OAAI
OAAI分享收藏
查看更多内容