基于自适应小波增强和动态图构建的自动调制识别

《Algorithms》：Automatic Modulation Recognition Based on Adaptive Wavelet Enhancement and Dynamic Graph Construction

　　

自动调制识别（AMR）对认知无线电和智能无线通信至关重要，然而在低信噪比（SNR）条件下，由于微弱局部结构被破坏且类别边界变得不清晰，其性能显著下降。为解决这一问题，研究人员提出了ADGNet，一种基于自适应小波增强和动态图构建的自动调制识别网络。ADGNet采用双分支架构，其中主分支从原始同相/正交（I/Q）序列中提取时域幅度-相位特征，而辅助分支结合短时傅里叶变换（STFT）特征与自适应小波特征，以捕获互补的频域-能量分布和多尺度瞬态细节。随后，一个双域自适应编码器对两个分支进行重新校准和融合，抑制冗余和受噪声污染的响应。此外，G2动态拓扑模块从节点特征构建样本自适应的top-k邻接矩阵，并将其与原始图结构融合，以改进时间关系建模。在RadioML2016.10a和RadioML2016.10b数据集上的实验显示，平均准确率分别为64.23%和69.69%。在RadioML2016.10b上，ADGNet在-12 dB至0 dB范围内达到63.48%的平均准确率，而基线为59.51%。凭借约0.13百万个参数，ADGNet在低SNR鲁棒性和模型复杂度之间提供了良好的平衡。

**论文解读：基于自适应小波增强和动态图构建的自动调制识别**

**研究背景与问题**

自动调制识别（AMR）是智能无线通信系统中的关键技术，旨在无先验知识下识别接收信号的调制类型，广泛应用于频谱监测、认知无线电、非合作通信和电子侦察等领域。然而，随着宽带、异构和智能无线系统的发展，信号常受多径衰落、载波频偏、相位偏移和加性噪声影响，尤其在低信噪比（SNR）条件下，幅度-相位分布、局部瞬态结构和时间相关性被严重干扰，导致不同调制类别间的决策边界模糊。传统AMR方法包括基于似然的方法和基于特征的方法，前者依赖精确信道模型和同步信息，计算复杂度高；后者依赖手工特征，在低SNR和多径衰落下性能下降。近年来，深度学习因其端到端特征学习能力成为重要途径，但现有模型在极低SNR下仍难以捕获被噪声淹没的微弱判别细节。基于小波的方法虽能提供多尺度表示，但缺乏跨域互补信息与样本依赖结构关系的联合建模；多域特征融合方法常采用固定加权或直接拼接，未考虑不同样本和SNR条件下特征可靠性的变化；图神经网络虽能建模时间片段的依赖关系，但现有方法依赖预定义拓扑，缺乏对噪声和信道畸变的样本自适应能力。因此，需要一种集成自适应小波局部细节增强、跨域自适应融合和样本依赖图关系建模的方法。

**研究内容与结论**

研究人员提出ADGNet，一种基于自适应小波增强和动态图构建的自动调制识别网络。该网络采用双分支架构：主分支从原始I/Q序列提取时域幅度-相位特征，辅助分支融合短时傅里叶变换（STFT）时频特征与自适应小波网络（AWN）特征，以补充局部频域-能量分布和多尺度非平稳细节。通过双域自适应编码器（DDAE）对主分支和辅助分支进行独立重新校准和融合，抑制冗余和噪声响应。在图表征阶段，G2动态拓扑模块根据节点特征生成样本自适应的top-k邻接矩阵，并与原始规则邻接矩阵融合，再进行分层图推理（包括DiffPool和图注意力网络）。在RadioML2016.10a和RadioML2016.10b数据集上的实验表明，ADGNet分别达到64.23%和69.69%的平均准确率，在低SNR范围（-12 dB至0 dB）上较基线提升3.97个百分点，且模型参数仅约0.13百万。该工作发表在《Algorithms》上，为非合作通信和认知无线电中的低SNR调制识别提供了有效方案。

**关键技术方法**

研究人员采用联合多尺度特征增强与图结构建模的框架。主要方法包括：1）自适应小波前端（AWN）：用可学习一维卷积核替代固定小波滤波器，进行两级分解，提取多尺度高频细节特征，增强被噪声掩盖的瞬态调制特征；2）双域自适应编码器（DDAE）：通过两个独立注意力映射分别对I/Q域和辅助域特征进行样本依赖的重新校准，再通道拼接融合，滤除不可靠响应；3）G2动态拓扑构建模块：从双域融合特征经Bi-LSTM和最大池化得到的128个时间节点特征，计算样本自适应的top-k相似性矩阵，并与基于规则的基础邻接矩阵通过全局共享可学习系数α融合，然后进行分层图池化和图注意力推理。实验数据集来源为公开的RadioML2016.10a和RadioML2016.10b（采用GNU Radio合成，包含多种数字和模拟调制类型，SNR范围为-20至18 dB，每样本128个复数基带采样点）。

**研究结果**

**5.1 与现有方法比较**：在RadioML2016.10a和RadioML2016.10b上，ADGNet取得了有竞争力的整体识别准确率，在低SNR范围（-12 dB至0 dB）优势更明显，尤其在-8 dB至-4 dB过渡区间。与卷积模型（CNN、IC-AMCNet）、卷积循环混合模型（MCLDNN、PET-CGDNN）以及高性能混合模型（SMTrans、IQFormer、MCDFormer、DTNet）相比，ADGNet通过自适应小波增强、双域自适应编码和动态图拓扑构建，提升了低SNR下的特征提取和关系建模能力。在模型复杂度方面，ADGNet仅约0.13百万参数，远小于多数对比模型，且批处理推理时间适中。

**5.2 低SNR性能与消融研究**：在RadioML2016.10b上，ADGNet在-12 dB至0 dB各SNR点的准确率均高于对比模型，验证了自适应小波增强、双域特征融合和动态图构建的有效性。消融实验表明，去除AWN或DDAE导致低SNR准确率明显下降，而去除G2则整体平均准确率从69.69%降至69.03%，差异较小且统计不显著（p=0.136），表明G2主要提供样本依赖拓扑适应的额外机制，而非主要准确率提升来源。三个模块的功能角色不同，相互作用非简单相加。

**5.3 混淆矩阵分析**：在0 dB时，ADGNet对大多数数字调制类（BPSK、CPFSK、GFSK、PAM4、QPSK等）保持高识别准确率，主对角值较高；16QAM和64QAM准确率分别达99%和98%；但AM-DSB与WBFM之间仍存在误分类，表明模拟调制类在现有特征表示下仍较难区分。

**总结与讨论**

讨论部分指出，G2的图融合系数为全局共享标量，限制了图融合灵活性；实验采用随机样本级划分，未强制仿真流或信道实现级分离，可能高估泛化能力；数据集为合成RadioML，存在已知勘误，且RadioML2016.10b完整生成协议未公开，限制严格可重复性和实机信号性能。尽管如此，ADGNet在低SNR下通过自适应小波前端、双域自适应编码器和动态图拓扑构建，实现了较好的识别性能与模型复杂度平衡。

**研究结论**：本论文提出ADGNet，一种集成自适应小波增强和动态图构建的自动调制识别网络，旨在解决低SNR下局部瞬态特征被淹没和调制类边界模糊导致的识别性能下降问题。该模型采用双分支框架，耦合时域I/Q特征与时频辅助特征，并利用双域自适应融合编码器和分层动态图推理联合提取多尺度与结构信号特征。在RadioML2016.10a和RadioML2016.10b数据集上，ADGNet以适中的参数预算获得了有竞争力的性能。核心贡献包括：构建自适应小波前端（AWN），以可学习卷积核替代固定小波滤波器实现两级信号分解，有效增强被噪声掩盖的微弱瞬态调制特征；设计双域自适应编码器（DDAE），通过两个独立注意力分支动态调整I/Q时域特征与STFT-AWN辅助特征的权重，抑制无效噪声特征而非简单拼接；提出G2动态拓扑构建模块，引入样本依赖的图自适应，通过全局共享可学习系数融合原始规则邻接与样本特定动态邻接矩阵，再经分层图池化和图注意力提取紧凑结构表示用于分类。消融实验表明，AWN和DDAE贡献了低SNR识别的主要改进，而G2提供额外的样本依赖拓扑适应机制，准确率增量较小。ADGNet在RadioML2016.10a和RadioML2016.10b上平均准确率分别为64.23%和69.69%；在-12至0 dB范围内平均准确率从59.51%提升至63.48%；在-20至18 dB全范围从65.32%提升至69.69%，且仅需约0.13百万可训练参数。混淆矩阵结果表明ADGNet对大多数数字调制类保持高识别准确率，但模拟调制类间混淆仍明显。未来工作将研究样本依赖的图融合权重、更稳定的拓扑学习策略，并生成带有显式源序列和信道实现标识的新信号数据集，引入独立生成信号和实机测量以评估跨信道和仿真到现实的泛化能力，同时探索轻量卷积、图稀疏化和结构化剪枝以降低推理延迟。