14、基于LLPVG的GNN调制识别框架

基于LLPVG的GNN调制识别框架

1. 引言

在无线电信号处理中，调制识别是一项关键任务。传统方法在处理复杂信号和噪声干扰时存在一定局限性。为了提高调制识别的准确性和鲁棒性，提出了一种基于局部有限穿透可见性图（LLPVG）的图神经网络（GNN）调制识别框架。

2. 相关概念

2.1 有限穿透可见性图（LPVG）

LPVG是在可见性图（VG）的基础上，额外定义了一个有限穿透可见距离M。当M = 0时，LPVG与VG相同。对于给定的两个采样点$(i, x_i)$和$(j, x_j)$，当且仅当满足以下条件时，节点$v_i$和$v_j$之间可以建立相互连接$e_{i,j}$：
- 不存在超过M个采样点$(k, x_k)$（$i < k < j$）满足$x_k - x_i > (x_j - x_i) (k - i) / (j - i)$。
- 所有其他采样点满足$x_k - x_i ≤ (x_j - x_i) (k - i) / (j - i)$。

2.2 图神经网络（GNN）

受深度学习的驱动，研究人员借鉴卷积神经网络（CNN）、长短期记忆网络（LSTM）和深度自动编码器（AE）的思想来设计GNN的架构。早期的GNN使用循环神经结构迭代传播邻居信息，直到达到稳定状态来学习目标节点的表示。近年来，提出了许多不同节点更新方式的GNN变体，例如图卷积网络（GCN）可以在频域聚合节点特征，GraphSAGE通过聚合采样的邻域来更新节点，解决了GCN需要知道整个图信息的问题，并能有效地应用于归纳学习。

对于图分类任务，通常需要一个简单的全局池化层或更复杂的图级池化结