.png){kind=icon}
返回
STARNet: An Efficient Spatiotemporal Feature Sharing Reconstructing Network for Automatic Modulation Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/TWC.2024.3400754.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) 是无线通信领域中的关键任务，其允许在没有通信系统的先验知识的情况下识别接收到的无线电信号的调制方案。最近，基于深度学习 (DL) 的AMC方法取得了出色的成果。然而，大多数当前基于DL的AMC方法在保持计算效率的同时在实现高识别准确度方面面临挑战。一些研究人员设计了基于自动编码器的模型来生成无线电信号的低维时间特征嵌入，从而减少了模型参数的数量，同时保持了识别调制格式的高性能。然而，当通过学习低维时空特征表示进一步提高AMC性能时，传统的自动编码器模型需要卷积解码器和LSTM解码器来分别重建时间和空间特征，这不可避免地提高了模型参数。在本文中，我们提出了一种时空特征共享重构网络 (STARNet)，以使用单个自动编码器结构同时提取无线电信号的低维空间和时间特征表示，从而减少了模型参数的数量并提高了AMC性能。此外，我们构造了一个混合注意鬼 (HA-鬼)，以根据信号重构性能自动提取有区别的无线电信号空间信息。在基准数据集上进行的大量实验表明，所提出的STARNet实现了63.64% 的平均调制分类精度，优于以前的最先进模型。尽管提取了更多类型的特征，但STARNet只有14,860个参数，比现有的基于时空自动编码器的方法要小。
Keyword:
Feature extraction
Modulation
Spatiotemporal phenomena
Computational modeling
Convolution
Wireless communication
Decoding
Automatic modulation classification
spatiotemporal feature representation
autoencoder network
attentive ghost
sharing decoder
deep learning
期刊
IF:
10.7
论文数:
1.3W
被引数:
5.3W
机构
引用论文
Selenocarbonyl complexes of iridium(I) and iridium(III). Synthesis and reactions of IrCl(CSe)(PPh3)2铱 (I) 和铱 (III) 的硒羰基配合物。IrCl(CSe)(PPh3)2的合成与反应
.png){kind=icon}
PREAI
分享收藏DETERMINANTS OF ORGANIC HORTICULTURAL PRODUCTS CONSUMPTION BASED ON A SAMPLE OF CALIFORNIA CONSUMERS
PREAI
分享收藏MCNet: An Efficient CNN Architecture for Robust Automatic Modulation ClassificationMCNet: 一种用于鲁棒自动调制分类的高效CNN架构
PREAI
分享收藏High-Order Convolutional Attention Networks for Automatic Modulation Classification in Communication用于通信自动调制分类的高阶卷积注意网络
PREAI
分享收藏A Hierarchical Classification Head Based Convolutional Gated Deep Neural Network for Automatic Modulation Classification基于分层分类头的卷积门控深度神经网络的自动调制分类
PREAI
分享收藏
查看更多内容