.png){kind=icon}
返回
Multi-Level Spatiotemporal Framework for Automatic Modulation Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/lwc.2026.3719260.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动调制分类（AMC）一直是非合作通信系统中的关键任务，但深度学习在该领域的应用面临挑战。在本文中，我们提出了一种多级时空框架用于AMC。该模型整合了一系列基础深度学习组件，包括用于高效长序列时序建模的Mamba、用于自适应噪声抑制的动态软阈值去噪，以及用于克服深度堆叠性能饱和的多通道动态密集Transformer。通过借鉴染色体变异机制的数据增强，该框架能够有效捕捉I/Q信号的联合时频特性。在公开数据集（即RadioML 2016.10a和RML22）上的实验表明，该模型具有强大的AMC性能，整体分类准确率达到65.17%和75.80%，并在信噪比（SNR）>10 dB时达到>98.9%。所提出的方法为AMC提供了一个结构化且可扩展的框架。
Keyword:
Automatic modulation classification
multi-level spatiotemporal framework
dynamic soft-threshold denoising
Mamba
期刊
I
IF:
5.5
论文数:
824
被引数:
0
机构
引用论文
.png){kind=icon}
Foundation Model-Aided Channel-Adaptive Video Semantic Communication and Prototype Validation基于基础模型的信道自适应视频语义通信及原型验证
PREAI
分享收藏LLM Enhanced Reconfigurable Intelligent Surface for Energy-Efficient and Reliable 6G IoVLLM增强型可重构智能表面，用于节能可靠的6g IoV
PREAI
分享收藏分享收藏
GIGNet: A Graph-in-Graph Neural Network for Automatic Modulation RecognitionKe, Y.; Zhang, W.; Zhang, Y.; Zhao, H.; Fei, Z. GIGNet：一种用于自动调制识别的图嵌套图神经网络。IEEE Trans. Veh. Technol. 2025, 74, 10058–10062. [Google Scholar] [CrossRef]
PREAI
分享收藏
查看更多内容