.png){kind=icon}
返回
Improved Distribution Difference Driven Diffusion Generative Method for AMOSR
.png){kind=icon}
PRE
AI
DOI：10.1109/TCCN.2025.3613534.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动调制开放集识别（AMOSR）对于增强动态无线通信系统的可靠识别至关重要。它能够实现对已知调制类型（KM）的准确识别，同时有效拒绝未知调制类型（UKM）。这一能力已引起军事和民用领域越来越多的关注。然而，现有研究仍有限，且难以平衡经验风险和开放集风险，从而阻碍了AMOSR性能的提升。为应对这一挑战，我们提出了一种改进的基于分布差异驱动的扩散生成方法（I4D），旨在有效拒绝UKM的同时保持对KM的高识别精度。具体而言，我们提出了一种知识条件扩散模型（KCDM），用于学习信号的结构和固有信息。KCDM逐步对齐KM原始信号与生成信号之间的分布，并逐步放大UKM的分布差异。此外，我们通过采用渐进特征校准策略构建了一个改进的分布空间，以分层约束特征，从而平衡类别共通信息和类别特定信息。I4D最小化经验风险，并为UKM建立清晰的决策边界。在公开数据集RML2016.10A、RML2016.10B、RML2018.01A以及真实信号上的广泛实验表明，我们提出的I4D优于现有的OSR和AMOSR方法，证明了其优越性。我们的代码可获取于：https://github.com/thy-wq/AMOSR-I4D-main
Keyword:
Automatic modulation open set recognition
diffusion model
improved distribution space
progressive feature calibration
期刊
I
IF:
7
论文数:
1.6K
被引数:
5.5K
机构
引用论文
.png){kind=icon}
查看更多内容