CPPCNet: High-Performance and Low-Complexity Automatic Modulation Classification for Resource-Limited IoT Communication

Guangda Xin

doi:10.1109/JIOT.2025.3598976

CPPCNet: High-Performance and Low-Complexity Automatic Modulation Classification for Resource-Limited IoT Communication

2025-10-10

0

PRE

AI

DOI：10.1109/JIOT.2025.3598976

原文链接

原文求助

摘要

En 中文

自动调制分类（AMC）能够在无先验信息的情况下识别调制方案，促进高效信号处理。近年来，基于深度学习（DL）的AMC在多个领域显著推进了信号检测与识别，包括物联网（IoT）系统和工业认知通信系统。虽然高性能AMC模型实现了卓越的准确性，但其巨大的存储和计算需求阻碍了在资源受限的IoT通信系统中的部署。为应对这一挑战，我们提出了CPPCNet，一种高性能、轻量化的复数值部分逐点卷积神经网络。通过利用复数值运算进行自动特征提取，CPPCNet保留了相位信息，提升了分类性能。为缓解资源受限IoT中复数值运算的计算负担，我们引入了复数值部分逐点卷积（CPPC），其在准确性和模型复杂度之间实现了最优平衡。实验结果表明，CPPCNet仅使用65302个参数，在RML2016.10b数据集上实现了所有现有AMC模型中最高的66.38%准确率（SOTA）。在RML2016.10a数据集上，其准确率也达到62.25%。此外，在包含更真实信道损伤的HisarMod2019.1数据集上，其准确率达到83.5%，在准确率和推理速度两方面均优于现有轻量级AMC模型。这些结果突显了CPPCNet的强大泛化能力及其平衡性能与效率的能力，使其成为资源受限和动态变化环境中AMC应用的极具前景的解决方案。

Keyword:

automatic modulation classification (AMC)

complex-valued neural network

deep-learning (DL)

Internet of Things (IoT)

lightweight signal processing

CPPCNet: High-Performance and Low-Complexity Automatic Modulation Classification for Resource-Limited IoT Communication

摘要

期刊

机构

引用论文