.png){kind=icon}
返回
Improved automatic modulation recognition using deep learning with additive attention
.png){kind=icon}
OA
AI
DOI：10.1016/j.rineng.2025.104783.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动调制识别（AMR）是现代通信系统中的关键任务，支持认知无线电、频谱监测和物联网网络等应用。本文提出ICRNNA，一种新颖的深度学习模型，该模型整合了卷积神经网络（CNNs）、双向长短时记忆（BiLSTM）网络和注意力机制，以在AMR任务中实现最先进的性能。所提出的模型在RadioML2016.10a和RadioML2016.10b数据集上进行评估，展示了卓越的准确率、计算效率和鲁棒性，尤其是在低信噪比（SNR）环境下。通过广泛的消融研究，我们突显了每个组件的贡献，表明CNNs、BiLSTMs和注意力机制的组合显著提升了性能。与包括ResNet、MCLDNN和CNNBiLSTM-DNN在内的最先进模型的对比实验表明，ICRNNA达到了最高的准确率（在RadioML2016.10a上为63.24%，在RadioML2016.10b上为65.39%），并在计算效率方面优于基线模型，仅需48.42 MFLOPs和79万参数。结果表明该模型适用于动态和噪声环境下的实时应用。本研究通过为现代通信系统提供一种鲁棒、高效且高性能的解决方案，推动了AMR领域的发展。
Keyword:
Automatic modulation recognition
Bidirectional long short-term memory
networks
Convolutional neural networks
Deep learning
Enhanced attention mechanism
Signal-to-noise ratio
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:
7.9
论文数:
1.2W
被引数:
1.7W
机构
引用论文
Reinforcement learning-based automated modulation switching algorithm for an enhanced underwater acoustic communication基于强化学习的增强型水声通信自动调制切换算法OAAI
.png){kind=icon}
OAAI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
A Review of Recurrent Neural Networks: LSTM Cells and Network Architectures递归神经网络综述: LSTM单元和网络架构
PREAI
分享收藏Deep hybrid transformer network for robust modulation classification in wireless communications
PREAI
分享收藏
查看更多内容