.png){kind=icon}
返回
Knowledge Embedded Convolutional Transformer Hybrid Network for Automatic Modulation Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/TCCN.2025.3603714.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于深度学习（DL）的自动调制分类（AMC）在智能通信系统中展现出显著提升信号处理精度和效率的潜力。然而，在复杂场景下，严重的信号劣化显著削弱了其实际性能。此外，基于DL的AMC在识别同类型不同阶数时效率较低。为解决这些挑战，提出了一种新型知识嵌入卷积-Transformer混合网络（K-CTHN）基的AMC方法，通过整合领域知识衍生的人工特征与自适应特征（该特征通过混合卷积神经网络和Transformer架构学习获得）。随后，采用基于权重筛选的剪枝策略简化所提出的网络，以促进其在资源受限的AMC系统场景中的部署。仿真结果表明，所提出的K-CTHN在信噪比（SNR）为0 dB及以上时，分类准确率超过98%，并且优于数据驱动的多通道卷积长短时记忆深度神经网络以及混合数据驱动和模型驱动的卷积与频率全局滤波神经网络。更重要的是，即使在较低SNR下，同调制类型的分类性能也能得到提升，特别是常见正交幅度调制（QAM）家族的分类准确率可保持在90%以上。此外，轻量化版本不仅减少了63%的参数量和60%的计算成本，还实现了与K-CTHN模型相当的准确率。
Keyword:
Automatic modulation classification
deep learning
artificial features
knowledge-driven
pruning strategy
期刊
I
IF:
7
论文数:
1.7K
被引数:
5.5K
机构
引用论文
Data-and-Knowledge Dual-Driven Automatic Modulation Recognition for Wireless Communication Networks
OAAI
.png){kind=icon}
OAAI分享收藏SigDA: A Superimposed Domain Adaptation Framework for Automatic Modulation ClassificationSigDA: 一种用于自动调制分类的叠加域自适应框架
PREAI
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
分享收藏分享收藏
查看更多内容