.png){kind=icon}
返回
Diffusion Model-Based Data Augmentation With Mel Spectrogram for Automatic Modulation Recognition in Underwater Acoustic Communication
.png){kind=icon}
PRE
AI
DOI：10.1109/JIOT.2026.3673750.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
水下声学(UWA)通信中的自动调制识别(AMR)受限于训练数据匮乏和信道损伤，如多径传播、多普勒频移和环境噪声。为解决这些挑战，我们提出了Mel-Diffusion，一种基于扩散模型的数据增强框架。该方法首先将时域信号转换为梅尔频谱图进行预处理。随后，提出的Mel-Diffusion模型（一种基于去噪扩散概率模型(DDPM)的扩散框架，具有Transformer主干）用于特征增强。最后，使用Griffin–Lim算法重构时域信号。基于此处理流程，Mel-Diffusion有效捕获调制特征和潜在信道特性。此外，集成到扩散模型中的深度分离-逐点前馈网络(DPFFN)降低了模型复杂度，而去噪扩散隐式模型(DDIM)采样提高了计算效率。在水库和海上的数据集上的实验表明，Mel-Diffusion生成真实且多样的信号，在数据匮乏条件下将AMR准确率提高了最高5.51%和5.27%。数据增强后，水库和海上数据集上的最高AMR准确率分别达到98.66%和95.81%。这些结果突显了Mel-Diffusion作为复杂UWA环境中准确且鲁棒AMR实用解决方案的有效性。
Keyword:
Automatic modulation recognition (AMR)
data augmentation
diffusion model
Mel spectrogram
underwater acoustic (UWA) communication
期刊
IF:
8.9
论文数:
1.4W
被引数:
7.8W
机构
引用论文
.png){kind=icon}
An attention-based multi-scale convolution network for intelligent underwater acoustic signal recognition一种基于注意力机制的多尺度卷积网络用于智能水下声学信号识别
PREAI
分享收藏
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
查看更多内容