基于混合LSTM-MLP的自动调制分类方法，结合VAE-GAN辅助的数据增强技术

《IEEE Access》：Automatic Modulation Classification Based on Hybrid LSTM-MLP With VAE-GAN-Assisted Data Augmentation

　　

摘要：

自动调制分类（AMC）是现代无线通信系统中的基本任务，特别是在认知无线电、软件定义无线电和下一代通信环境中。本研究提出了一种两阶段混合长短期记忆（LSTM）-多层感知器（MLP）架构，用于在不同信噪比（SNR）条件下实现稳健的调制分类。在该框架中，接收信号首先通过同相/正交（I/Q）和幅度/相位（A/P）特征进行表示，以提供更具区分性的输入空间。第一阶段执行模拟/数字区分，而第二阶段激活相应的模拟或数字子分类器，从而减少决策空间并限制类别间的混淆。为了提高表示多样性并在低SNR条件下增强学习能力，采用了变分自编码器-生成对抗网络（VAE-GAN）模型进行数据增强。为防止信息泄露，RadioML2018.01a数据集首先被划分为60/40的训练子集和测试子集，并且仅对训练子集应用增强处理。所有比较模型都在相同的分割和相同的真实测试子集下进行训练和评估。实验结果表明，从8 dB开始，所提出的方法在第一阶段的准确率达到了100%，而第二阶段的最高准确率分别为模拟调制的99.9%和数字调制的98.4%。研究结果表明，所提出的两阶段混合LSTM-MLP模型在广泛的SNR范围内提供了稳定且高度准确的AMC性能。