通过自编码器驱动的振幅-相位交互增强实现自动调制识别
《Computers》:Automatic Modulation Recognition via Autoencoder-Driven Amplitude–Phase Interaction Enhancement
【字体:
大
中
小
】
时间:2026年08月29日
来源:Computers 5.2
编辑推荐:
摘要
自动调制识别(AMR)是认知无线电系统中频谱感知和信号解调的关键技术。大多数现有的AMR方法使用原始的同相/正交(I/Q)数据或I/Q数据的直接转换作为神经网络的输入,而没有明确建模信号幅度和相位之间的非线性交互。
摘要
自动调制识别(AMR)是认知无线电系统中频谱感知和信号解调的关键技术。大多数现有的AMR方法使用原始的同相/正交(I/Q)数据或I/Q数据的直接转换作为神经网络的输入,而没有明确建模信号幅度和相位之间的非线性交互。这一限制可能会在复杂信道和高阶调制方案中限制识别性能。为了解决这个问题,提出了一种基于幅度/相位(A/P)交互增强的AMR方法。设计了一种具有残差转换模块的幅度-相位交互自动编码器(APIAE),通过无监督重建在极坐标域中学习幅度-相位交互特征,并将这些学习到的交互特征与原始A/P数据连接起来,形成用于下游分类器的增强型三通道表示。在RadioML2018.01A的一个子集上的实验表明,所有五个评估的骨干网络都受益于所提出的表示方法。在四次独立运行中,GRU-Enhanced的平均最佳准确率达到了 98 period 72 plus or minus 0 period 20 98 plus or minus 0 period 20 98 period” data-semantic-braille="??">。 72 0” data-semantic-summary=" 与2个加数相加" data-semantic-braille="??????"> 72" data-semantic-summary=" 数字" data-semantic-braille="???">72± 0” data-semantic-braille="?">0 period” data-semantic-braille="??">。/', data-semantic-braille="?????">20% CLDNN的整体平均准确率相对提高了7.39%,16QAM和64QAM的识别率在4分贝的干扰下显著改善。分类器端的输入适配使所有评估的骨干网络的参数数量增加了不到0.5%,而独立的APIAE前端大约包含735万个参数。与原始骨干网络相比,额外的端到端单样本推理延迟在测试环境中不超过12秒。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号