CAD-DNN：一种基于信噪比（SNR）自适应的、具有上下文意识的动态推理框架，用于 lightweight 自动调制识别

《IEEE Communications Standards Magazine》：CAD-DNN: An SNR-Adaptive Context-Aware Dynamic Inference Framework for Lightweight Automatic Modulation Recognition

　　

摘要：

自动调制识别（AMR）是实现具有频谱感知能力的物联网（IoT）网络的关键技术，在这种网络中，资源受限的设备必须在动态和低质量的无线环境中准确识别信号调制方式。为了解决在计算资源有限的情况下实现高识别精度的问题，本文提出了一种基于上下文的动态深度神经网络（CAD-DNN），这是一种轻量级的AMR框架，它集成了卷积块注意力模块（CBAM）、基于特征线性调制（FiLM）的信噪比（SNR）条件化机制以及双重条件（SNR和熵）的早期退出机制，这些机制能够动态调整推理深度以适应信号质量和预测置信度。通过根据信道条件动态调整特征表示和推理深度，该框架有效平衡了识别精度和计算效率。在RadioML2016.10a数据集上的实验表明，CAD-DNN的整体分类准确率为72.75%，分别比代表性的CLDNN、ResNet和基于Transformer的方法高出22.17%、17.09%和13.30%；同时其模型参数仅为475K，模型大小减少了5.3至22倍。在具有挑战性的低信噪比（< 0 dB）条件下，CAD-DNN的准确率达到了56.58%，是最佳基线方法的两倍多；而在高信噪比下仍保持89.46%的准确率。此外，在分布式两节点部署场景中，当节点间信噪比为10 dB时，CAD-DNN的准确率为69.02%，显示出很强的鲁棒性和可扩展性。这些结果表明，CAD-DNN为下一代IoT通信系统中的轻量级AMR提供了一种高效且计算成本低的解决方案。