.png){kind=icon}
返回
Micro-Dose Augmented Wiener-Robust Automatic Modulation Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/lwc.2026.3747850.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
毫米波和太赫兹频段中的自动调制分类（AMC）受非平稳Wiener相位噪声限制，现有深度学习解决方案通过估计并去除确定性相位/频率偏移，或采用通用数据增强来应对，而非在特征层面处理。我们利用不对称性：幅度对旋转具有不变性，绝对差分相位存在创新方差失真界限，而绝对相位和I/Q信号依赖于累积游走状态，并逐渐失去相干性。PNV-RPNet将幅度和差分表示与在线I/Q级相位噪声注入相结合。在RadioML2016.10b数据集上，使用284.30K参数部署时，在σ=15°相位噪声下，SNR>0 dB时的平均高信噪比准确率达到79.28%，在匹配数据增强条件下，比最强基线高出9.53个百分点。
Keyword:
Automatic modulation classification
data augmentation
differential features
feature fusion
recurrence plot
Wiener phase noise
