《Computers》:A Modulation Classification Method Based on Fuzzy Sample Feature Enhancement
编辑推荐:
自动调制分类(AMC)旨在根据接收信号的特征自动识别调制类型,是频谱感知、认知无线电和电子对抗中的关键技术。然而,现有方法普遍忽略了具有相似特征的调制信号容易混淆的问题。特别是在强干扰条件下,特征分布变得模糊,类边界趋于重叠,进一步加剧了具有相似特征的调制类型
自动调制分类(AMC)旨在根据接收信号的特征自动识别调制类型,是频谱感知、认知无线电和电子对抗中的关键技术。然而,现有方法普遍忽略了具有相似特征的调制信号容易混淆的问题。特别是在强干扰条件下,特征分布变得模糊,类边界趋于重叠,进一步加剧了具有相似特征的调制类型间的误分类,从而限制了分类精度和模型稳健性的提升。为应对这一挑战,研究人员提出了一种基于模糊样本特征增强的调制分类方法。具体而言,引入了调制类熵约束和模糊样本特征增强约束,构建了多尺度模糊样本特征增强框架(MTFSFEF)。通过模糊样本选择和特征表示优化,所提框架有效缓解了模糊样本间的特征重叠,增强了类间可分离性和判别性。在三个基准数据集上,MTFSFEF取得了优越的平均分类精度:在RML2016.10a上约为,在RML2016.10b上超过,在RML2018.01a上超出,分别比现有方法提升了、和。
**论文解读:基于模糊样本特征增强的调制分类方法**
**研究背景与问题**
自动调制分类(AMC)是现代无线通信系统的核心技术,通过从接收信号中提取统计和深度特征来识别信号调制类型,广泛应用于频谱感知、认知无线电和电子对抗等领域。然而,在复杂电磁环境中,通信信号受到噪声干扰、信道衰落、多径效应、频率偏移和相位偏移等多种非理想因素影响,导致特征分布扭曲,类内分散度增加,类间边界模糊。特别是具有相似特征的调制类型(如QAM16与QAM64)在高阶统计特征和时频结构上容易重叠,进一步加剧了类间混淆。现有深度学习方法虽在特征提取和分类性能上取得显著进展,但普遍存在以下不足:(1)在二维表示转换过程中丢失了关键细粒度细节(如时间相位动态和瞬时波形畸变);(2)缺乏对全局和局部上下文的有效整合,未能充分利用多尺度调制特征的联合建模能力;(3)在跨分支融合中关键判别表征被稀释,阻碍了内在调制属性的充分挖掘。更重要的是,现有方法隐式假设所有训练样本对分类决策贡献相等,忽视了位于决策边界附近、预测不确定性高的模糊样本在刻画类别边界中的关键价值。因此,在强干扰环境下,特征空间中的类边界重叠严重,分类精度和模型稳健性提升受限。
**研究内容与意义**
针对上述问题,研究人员提出了一种基于模糊样本特征增强的调制分类方法,通过引入调制类信息熵约束和模糊样本特征增强约束,构建了多尺度模糊样本特征增强框架(MTFSFEF)。该方法首先筛选出对决策边界建模更有价值的模糊样本,然后优化其特征表示,从而缓解特征空间中的类间重叠,显著提升强干扰环境下的样本可分离性和判别性能。在RML2016.10a、RML2016.10b和RML2018.01a三个公开数据集上的大量实验表明,该方法在分类精度、抗干扰能力和泛化能力上均优于现有方法,尤其是在低信噪比(SNR)条件下表现出更稳定的分类性能。该研究为提升AMC系统在复杂电磁环境下的鲁棒性提供了新思路,相关论文发表在《Computers》期刊上。
**主要技术方法**
研究人员采用的关键技术方法包括:(1)多尺度时间特征提取网络,通过多尺度卷积、残差卷积、通道注意力机制、双向门控循环单元(BiGRU)和注意力池化模块,从原始I/Q信号中提取深层时间特征;(2)模糊样本筛选机制,基于类边界模糊度(最大与第二大类别概率之差)和预测熵,筛选出可信模糊样本和关键困难样本;(3)模糊样本特征增强约束,通过类内紧凑性约束(最小化同类模糊样本特征与类聚合特征的距离)和类间分离性约束(最大化不同类聚合特征之间的边际距离),联合优化嵌入空间结构;(4)联合优化目标,融合交叉熵损失、熵损失和模糊样本特征增强损失,分两阶段训练(前80轮用交叉熵和熵正则化,后120轮引入特征增强损失)。样本队列来源为公开数据集RML2016.10a、RML2016.10b和RML2018.01a,均为复杂基带I/Q信号,包含频率偏移、相位偏移、阴影衰落、多径传播和噪声干扰等实际因素。
**研究结果**
1. **t-SNE特征可视化**:在RML2016.10a数据集上,SNR从-2 dB到8 dB范围内,除AM-DSB和WBFM因存在静默期而仍存在轻微混淆外,其他调制类型的特征分布随SNR升高逐渐从分散变为紧凑,类边界清晰,表明该方法有效增强了不同调制信号的特征可分离性。
2. **分类精度对比**:在RML2016.10a、RML2016.10b和RML2018.01a三个数据集上,MTFSFEF在所有SNR条件下均取得最优分类精度,平均分类精度分别达到约、和,相比现有方法分别提升、和,验证了其对易混淆调制信号特征判别性的增强效果。
3. **混淆矩阵分析**:在RML2018.01a数据集上,SNR=-2 dB时,MTFSFEF的总体分类性能优于CBADNN、IQFormer、DP-DRSN、MCLDNN、MCCSAN和CV-PET-CSGDNN等方法,尤其在QAM16和QAM64等相似调制类型间的混淆显著减轻,展现出更强的抗干扰能力和特征表征能力。在RML2016.10b数据集上,SNR从到范围内,MTFSFEF除QAM16与QAM64存在程度不同的互混外,其余调制类型分类准确率均超过95%,且随SNR升高对角线元素高度集中。
4. **复杂度分析**:MTFSFEF的参数量为2929.30 KB,显著低于CBADNN和IQFormer;浮点运算量(FLOPs)为229.37 MB,远低于CBADNN、MCCSAN和CV-PET-CSGDNN;推理时间为34.50 μs,处于较低水平。表明该方法在保持强特征表示能力的同时,具有较低的计算开销,适合实际部署。
**讨论与结论**
总结讨论部分:研究人员指出,所提方法通过模糊样本筛选和特征增强,有效缓解了强干扰环境下特征重叠和类边界模糊的问题。实验结果从t-SNE可视化、不同SNR下的分类精度和混淆矩阵等多个角度验证了方法的优越性。未来工作将聚焦于通过集成轻量级网络架构提升MTFSFEF的计算效率,以满足实时调制分类应用的需求。
研究结论部分翻译:针对复杂电磁环境中由相似调制特征引起的类混淆和决策边界模糊问题,本文提出了一种基于模糊样本特征增强的调制分类方法。该方法引入了调制类熵约束和模糊样本特征增强约束,构建了MTFSFEF以提升易混淆调制信号的特征判别性。所提框架联合实现了模糊样本选择与特征表示优化,有效缓解了边界模糊样本间的特征重叠,增强了类间可分离性。在RML2016.10a、RML2016.10b和RML2018.01a数据集上的大量实验,结合t-SNE可视化、不同SNR条件下的分类精度和混淆矩阵分析,表明该方法在分类精度和鲁棒性上均优于现有方法,特别是在强干扰条件下表现出更稳定的分类性能。未来工作将致力于通过集成轻量级网络架构提高MTFSFEF的计算效率,以更好地满足实时调制分类应用的需求。