基于混合双流神经网络与Transformer架构的射频调制信号分类及其在隐蔽通信中的应用
《IEEE Open Journal of the Communications Society》:AI-Driven Modulation Classification for Intelligent Covert Communication in Next-Generation Wireless Networks
【字体:
大
中
小
】
时间:2026年09月20日
来源:IEEE Open Journal of the Communications Society 6.2
编辑推荐:
**摘要:**
在数字独立与泛在计算时代,智能化无处不在、可靠性极高的背景下,数据隐私、交易安全和更强的通信信道成为通信系统设计的必要要求。传统加密算法已发挥其最佳性能;然而,通信领域需要一种非常规且更加智能的安全通信方式。因此,6G及以上网络正在利用隐蔽通信实现智能数据传
**摘要:**在数字独立与泛在计算时代,智能化无处不在、可靠性极高的背景下,数据隐私、交易安全和更强的通信信道成为通信系统设计的必要要求。传统加密算法已发挥其最佳性能;然而,通信领域需要一种非常规且更加智能的安全通信方式。因此,6G及以上网络正在利用隐蔽通信实现智能数据传输,使其在自主系统和工业物联网(IoT)环境中难以被发现。然而,这些隐蔽系统面临着恶意数据篡改和数据泄露等问题。本文提出了一种用于射频调制信号分类的混合双流神经网络与Transformer架构。来自RadioML2016.10a数据集的同相和正交(IQ)采样以及通过短时傅里叶变换(STFT)生成的频谱图被作为模型的输入,通过将一维和二维卷积与Transformer架构相结合。利用Transformer注意力图引入了注意力驱动的特征提取方法,并与可解释AI特征的可靠性进行了对比评估,尽管其贡献较小,但具有统计显著性。这种特征可解释性为识别使信号变得可检测的特征提供了更为关键的见解,从而有助于设计更隐蔽的隐蔽通信方案。所提出的模型在信噪比(SNR)≥ 0 dB的条件下,通过有效区分不同的调制信号,达到了90.49%的分类准确率;在从20 dB到+18 dB的全信噪比扫描范围内,分类准确率为53.55%,该结果在保留划分数据集上评估且未经重新训练。此外,从三随机种子显著性检验中也可以看出,与无注意力融合相比,自注意力机制带来了微小但具有统计显著性的准确率提升……
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