.png){kind=icon}
返回
Signal Surface Augmentation for Artificial Intelligence-Based Automatic Modulation Classification
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14234760.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动调制识别作为认知无线电的关键应用，再次受到关注，它结合了人工智能与无线传输的物理层监测。本文正式提出信号表面增强（SSA）的概念，该过程通过将信号分解为信息子分量来增强基于AI的分析。我们采用双变量经验模态分解（BEMD）将信号分解为固有模态，同时解决长样本分解中的相邻趋势等挑战，并引入数据过度离散的概念。使用在真实条件下公开可用的合成调制信号数据集，我们验证了BEMD分解得到的分量表示相比原始IQ输入，可提高13%的识别精度；对于更长的信号长度，增益可达36%。这些结果表明，信号表面增强对于提高调制识别的鲁棒性具有重要价值，并具有实际应用潜力。
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:
2.6
论文数:
1.0W
被引数:
4.7W
机构
暂无机构信息
引用论文
Joint use of Bivariate Empirical Mode Decomposition and Convolutional Neural Networks for Automatic Modulation RecognitionGros, A.; Moeyaert, V.; Megret, P. 联合使用双变量经验模态分解和卷积神经网络进行自动调制识别。在2022年IEEE第33届国际个人、室内和移动无线通信年会（PIMRC）会议录，日本京都，2022年9月12–15日；第957–962页。[Google Scholar][CrossRef]
PREAI
分享收藏Deep-Learning-Based Classifier With Custom Feature-Extraction Layers for Digitally Modulated Signals
PREAI
分享收藏Enhancing Automatic Modulation Recognition for IoT Applications Using Transformers基于Transformer的物联网应用自动调制识别增强.png)
IoT
OAAI
IoTIF0
OAAI分享收藏Automatic Modulation Classification Using Multi-Scale Convolutional Neural Network2020 IEEE 31st Annual International Symposium on Personal, Indoor and Mobile Radio Communications
2020 IEEE 31st Annual International Symposium on Personal, Indoor and Mobile Radio CommunicationsIF0
PREAI
分享收藏Deep Learning Models for Wireless Signal Classification With Distributed Low-Cost Spectrum Sensors基于分布式低成本频谱传感器的无线信号分类深度学习模型OAAI
OAAI分享收藏
查看更多内容