基于自适应拓扑网络的碎片化信号特征整体融合用于自动调制识别

《Sensors》：Holistic Fusion of Fragmented Signal Features for Automatic Modulation Recognition via an Adaptive Topological Network

　　摘要在低信噪比（SNR）条件下，自动调制识别（AMR）仍然充满挑战，因为严重的噪声可能会掩盖微弱的特定调制波形模式。为解决这一问题，本文提出了一种用于鲁棒低信噪比调制识别的自适应整体融合网络（AHFN）。AHFN 首先采用一个多分辨率非线性融合模块，该模块由具有不同样条网格分辨率的并行 KAN 分支组成，旨在从标准化的 I/Q 样本和时间位置信息中提取互补的波形动态。随后，自适应软阈值去噪模块生成节点特定和通道特定的阈值，以抑制对噪声敏感的响应，同时保留具有判别性的调制线索。接着，一个拓扑感知的多尺度融合网络在固定时间图上执行特征和结构自适应的消息处理，并将多尺度图表示与基于 Mamba 的长程序列建模相结合。在 RML2016.10A 和 RML2016.10B 上的实验表明，AHFN 在从 ... dB 到 0 dB 的范围内，始终提高了相对于代表性基线方法的识别准确率，提升幅度在 3.03% 到 14.34% 之间。这些结果证明了多分辨率非线性表示、自适应去噪以及拓扑感知的局部 - 全局融合在低信噪比 AMR 中的有效性。