.png){kind=icon}
返回
CAEP: Cross-Modal Adaptive Embedding Prediction for Self-Supervised Modulation Classification
.png){kind=icon}
OA
AI
DOI：10.3390/electronics15102062.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管自监督学习方法在自动调制分类中解决标签数据稀缺问题方面取得了有前景的进展，但它们仍受限于对大量负样本的严重依赖以及无法有效捕捉跨模态特征相关性。为克服这些限制，我们提出了一种基于多路径嵌入预测的新型自监督自动调制分类算法，称为CAEP。在CAEP中，原始信号首先被动态分割为当前和未来子序列。然后，利用专用编码器提取两个子序列的嵌入，并利用当前信息预测未来状态，同时随机掩码由时域信号转换得到的时频图像以预测被掩盖的频谱分量。此外，部署潜在时序嵌入来预测时频域中的信息，以实现跨模态检索。最后，连接一个分类头与一个时序模态编码器，利用有限的带标签样本进行微调以完成调制分类。在两个基准数据集上的实验结果表明，所提出的方法在不同噪声条件下均能实现稳健的性能。
Keyword:
self-supervised learning
automatic modulation classification
multi-modal learning
joint-embedding prediction
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
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
引用论文
Introduction to latent variable energy-based models: a path toward autonomous machine intelligence潜在变量能量基模型的介绍：一条通往自主机器智能的路径
OAAI
OAAI分享收藏A Hierarchical Classification Head Based Convolutional Gated Deep Neural Network for Automatic Modulation Classification基于分层分类头的卷积门控深度神经网络的自动调制分类
PREAI
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Littwin, E.; Saremi, O.; Advani, M.; Thilak, V.; Nakkiran, P.; Huang, C.; Susskind, J. How JEPA Avoids Noisy Features: The Implicit Bias of Deep Linear Self Distillation Networks. In Proceedings of the The Thirty-Eighth Annual Conference on Neural Information Processing Systems (NeurIPS), Vancouver, BC, Canada, 10–15 December 2024; Volume 37, pp. 91300–91336. [Google Scholar] [CrossRef]利特温 E.; 萨雷米 O.; 阿德瓦尼 M.; 提拉克 V.; 纳克里兰 P.; 黄 C.; 萨斯金 J. JEPA 如何避免嘈杂特征：深度线性自蒸馏网络的隐式偏差。载于《第三十八届神经信息处理系统年度会议 proceedings》（NeurIPS），加拿大温哥华，BC省，2024年12月10–15日；第37卷，第91300–91336页。 [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏
查看更多内容