用于短信号样本调制分类的Transformer模型嵌入双流技术

《ACM Transactions on Intelligent Systems and Technology》：Transformer Model Embedding Dual Stream for Modulation Classification of Short Signal Samples

自动调制分类（AMC）是现代通信系统的关键任务，尤其在复杂信号和有限数据条件下。现有Transformer模型依赖单流架构和统一输入格式，存在特征捕获不足的问题。本文提出双流Transformer网络DTNet，创新性地引入SFE模块（通过缩放函数重构信号为结构化输出图，结合扩展模块与自适应滤波器生成响应图）和卷积流（提取多尺度特征），同时优化特征嵌入以捕捉全局依赖。实验表明，DTNet在RML2016数据集上准确率达94.4%，优于现有方法且计算效率更高，代码开源。

　　

摘要

自动调制分类（AMC）是现代通信系统中的关键任务，尤其是在信号条件多样和数据量有限的情况下。现有的基于变压器的AMC模型通常依赖于单流架构和统一的输入格式，这限制了它们捕捉丰富信号特征的能力。为了解决这些限制，我们提出了DTNet，这是一种新型的基于变压器的双流网络，旨在实现高效和准确的调制分类。 DTNet引入了两项关键创新：（1）尺度特征扩展（SFE）模块，该模块应用缩放函数将信号转换为结构化的输出映射，然后通过扩展模块将信号重构为方阵，并使用自适应滤波器整合响应映射；（2）卷积流，用于从多尺度信号表示中提取区分性特征。此外，还引入了一种改进的特征嵌入方法，以利用变压器架构捕捉输入信号的全局依赖性和上下文信息，从而提高调制分类的准确性。 实验结果表明，DTNet在基准数据集上表现出色，在RML2016.10A上的分类准确率为93.4%，在RML2016.10B上的分类准确率为94.4%，其性能优于现有的深度学习方法，同时保持了较低的计算复杂度。源代码可在https://github.com/daothanh2011/DTNet获取。