.png){kind=icon}
返回
CSPMNet: Pareto-Efficient Automatic Modulation Classification With Learnable Complex Subband Phase Motion
.png){kind=icon}
PRE
AI
DOI：10.1109/lwc.2026.3729758.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动调制分类（AMC）是非合作频谱监测和智能无线接收机的关键技术。然而，实际的AMC模型必须在保持低计算和存储开销的同时，从短且带噪声的I/Q观测中识别调制格式。现有的深度学习方法通常通过扩展通用神经网络骨干来提高识别精度，这增加了部署成本并削弱了其在资源受限接收机中的适用性。为弥合识别性能与模型效率之间的差距，本文提出了一种复数子带相位-运动网络（CSPMNet），用于从原始I/Q样本进行轻量级AMC。具体而言，引入了可学习的复数子带滤波器，以自适应地提取频率选择性基带响应，同时保留同相和正交分量之间的代数耦合。然后，一个保幅相位-运动模块捕获每个子带内的多滞后时域旋转动态，而一个轻量级时序分类器执行高效的序列聚合。在公开的RadioML基准数据集上的严格实验评估表明，CSPMNet在实现高度竞争性识别精度的同时，其模型复杂度比许多现有AMC模型显著更低。代码可在GitHub上获取。
Keyword:
Automatic modulation classification
complex convolution
cognitive radio
lightweight neural networks
期刊
I
IF:
5.5
论文数:
710
被引数:
0
机构
引用论文
暂无论文信息