【论文阅读】Transfer Learning for Automatic Modulation Recognition Using a Few Modulated Signal Samples

最新推荐文章于 2026-01-08 16:48:33 发布

原创

最新推荐文章于 2026-01-08 16:48:33 发布 · 716 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#论文阅读

摘要：这封信提出了一种用于自动调制识别（AMR）的迁移学习模型，该模型仅具有少量调制信号样本。传输模型以音频信号 UrbanSound8K 作为源域进行训练，然后以一些调制信号样本为目标域进行微调。为了提高分类性能，信噪比（SNR）被用作一个功能来促进信号的分类。仿真结果表明，迁移模型在分类精度方面具有显著优势。
在这里插入图片描述
这篇文章的核心内容是提出了一种基于迁移学习（Transfer Learning）的自动调制识别（Automatic Modulation Recognition, AMR）模型，该模型能够在仅有少量调制信号样本的情况下实现高效的调制类型分类。文章详细介绍了模型的结构、训练过程以及在不同数据集上的性能评估，并与其他神经网络模型进行了比较。

背景知识

自动调制识别（AMR）是无线通信中的关键技术，尤其在物联网（IoT）和5G无线系统中具有重要应用。在非合作通信系统或采用自适应调制技术的系统中，接收器需要首先识别接收到的信号的调制类型，然后才能选择合适的解调算法。在车辆网络中，由于车辆的高移动性，信道条件变化迅速，因此车辆需要频繁调整调制方案以适应信道条件。通过AMR辅助解调接收到的信号，车辆可以节省用于指示调制类型的协议开销。
传统的AMR技术主要分为两类：基于特征提取的统计模式识别和基于似然估计与概率理论的调制识别。这些方法都需要人工提取信号的特征信息，并且当调制信号类型较多时，算法复杂度显著增加。随着深度学习（DL）在图像识别、自然语言处理等领域的广泛应用，研究人员开始将其应用于AMR。深度学习方法可以直接将预处理后的接收信号输入神经网络进行训练和识别，无需大量先验知识，也无需人工提取特征。