Fully Dense Neural Network for the Automatic Modulation Recognition
Sichuan University（四川大学）；Rutgers University – New Brunswick（罗格斯大学新伯朗士威校区）；Chengdu University of Information Technology（成都信息工程大学）
目前，AMR中主要采用各种卷积神经网络（CNN）结构从无线电数据或频谱图中提取特征。它们基于专家经验和谱图，不仅增加了预处理的难度，而且消耗了大量的内存。为了直接利用接收机获得的同相和正交（IQ）数据，提高网络特征提取的效率，提高调制方式的识别率，提出了一种新的网络结构--全密集神经网络（FDNN）。该网络使用残差块提取特征，密集连接以减小模型大小，并添加注意力机制以重新校准。在RML2016.10a上的实验表明，该网络具有较高的识别率和较低的模型复杂度。结果表明，密集连接的FDNN模型不仅能够有效地提取特征，而且大大减少了模型参数，为深度学习在智能无线电系统中的应用做出了重要贡献。
2019-12-07 cs.LG eess.SP
Low-Interception Waveform: To Prevent the Recognition of Spectrum Waveform Modulation via Adversarial Examples
Qian Xuesen Laboratory of Space Technology, China Academy of Space Technology（中国空间技术研究院钱学森空间技术实验室）；School of Mathematics and Computational Science, Xiangtan University（湘潭大学数学与计算科学学院）
深度学习因其方便、高效的特点，被应用于无线通信领域的许多复杂任务，如频谱波形的调制识别等。这导致了恶意第三方使用深度学习模型来轻松识别传输波形的调制格式的问题。现有的一些工作解决这个问题，直接使用的概念，对抗的例子在图像域中没有充分考虑的波形在物理世界中的传输特性。因此，本文提出了一种低截获波形LIW生成方法，在不影响友方可靠通信的前提下，降低了调制被第三方识别的概率。即使在物理硬件实验中，我们的LIW也表现出显着的低拦截性能，将最先进模型的精度降低到约$15\%$，具有小扰动。
2022-01-20 cs.LG eess.SP
Noise-Aware Ensemble Learning for Efficient Radar Modulation Recognition
针对低信噪比下雷达调制识别难题，提出 NAEL 噪声感知集成框架，通过评估噪声影响并自适应选择神经网络，以低复杂度实现更高识别准确率。
2025-05-14 eess.SP
Learning of Time-Frequency Attention Mechanism for Automatic Modulation Recognition
Southern University of Science and Technology（南方科技大学）
最近基于学习的图像分类和语音识别方法广泛使用注意机制来实现最先进的识别能力，这证明了注意机制的有效性。基于无线电调制信号的频率和时间信息对调制模式识别至关重要的事实，提出了一种基于卷积神经网络（CNN）的调制模式识别框架的时频注意机制。所提出的时频注意模块被设计为学习在用于调制识别的CNN中哪个信道、频率和时间信息更有意义。我们分析了所提出的时频注意机制的有效性，并将所提出的方法与现有的两种基于学习的方法进行了比较。在一个开源的调制识别数据集上的实验表明，该框架的识别性能优于无时频关注的框架和现有的基于学习的方法。
2022-01-11 cs.CV eess.SP
An Uncertainty-Driven Hybrid Deep Learning Approach for Broad-Coverage RF Modulation Recognition
Ankara Yildirim Beyazit University（安卡拉伊尔迪里姆贝亚兹特大学）
针对低SNR与调制方案多样性限制现有RF调制识别性能的问题，提出融合FFT预处理频谱信息与STFT时频特征的不确定性驱动混合深度学习架构，通过2D CNN初级分类、MC Dropout不确定性估计及BiLSTM次级决策实现宽覆盖识别，在仿真环境中取得优异性能。
2026-08-04 cs.LG eess.SP
Open Set Modulation Recognition Based on Dual-Channel LSTM Model
深度神经网络在计算机视觉、语音识别和许多其他领域取得了巨大成功。本文研究了递归神经网络特别是长短期记忆（LSTM）在开集通信信号调制识别中的潜力。时域采样信号首先被转换为两个归一化矩阵，这两个归一化矩阵将被馈送到为开集调制识别量身定制的四层双通道LSTM网络中。通过两个级联的双通道LSTM层，所设计的网络可以从原始数据中自动学习序列相关特征。在中心损失和威布尔分布的情况下，该算法可以识别部分开集调制。在公共RadioML数据集上的实验表明，该模型可以有效地分类不同的模拟和数字调制，同时可以识别部分开集调制。对数据集的定量分析表明，该方法可以达到90.2%的平均准确率在不同的信噪比范围从0 dB到18 dB的分类所考虑的11类，而开集实验的准确率显着提高了14.2%。
2020-02-27 eess.SP
Ultralight Signal Classification Model for Automatic Modulation Recognition
Multiverse Computing（多元宇宙计算公司）；DAS Photonics（DAS光子学公司）；DIPC (Donostia International Physics Center)（多诺斯蒂亚国际物理中心（DIPC））；Ikerbasque Foundation for Science（伊克尔巴斯克科学基金会）
本文提出一种面向边缘设备的超轻量混合神经网络，在每类少于100个样本和0 dB信噪比下实现96.3%平均准确率，显著降低自动调制识别的计算开销。
2024-12-30 cs.LG eess.SP
A Radio Signal Modulation Recognition Algorithm Based on Residual Networks and Attention Mechanisms
College of Electrical Engineering, Sichuan University（四川大学电气工程学院）
针对通信信号调制类型识别不准确的问题，提出了一种结合残差块网络和注意力机制的RNN神经网络识别算法。在该方法中，从MASK、MPSK、MFSK、OFDM、16QAM、AM和FM等10种标准数据集中产生了具有高斯白噪声的通信信号。在原有RNN神经网络的基础上，加入残差块网络，解决了网络层较深导致梯度消失的问题。网络中添加了注意力机制，以加速梯度下降。实验中以16QAM、2FSK和4FSK为实际样本，以信号的IQ数据帧为输入，训练了残差块网络和注意力机制相结合的RNN神经网络。最终的识别结果表明，实时信号的平均识别率超过93%。该网络具有很高的鲁棒性和很好的使用价值。
2019-09-27 cs.CV cs.LG eess.SP
Hierarchical Feature Integration for Multi-Signal Automatic Modulation Recognition
Tsinghua University（清华大学）
本文提出HIFI-YOLO框架，通过分层特征集成提升多信号联合检测和调制识别性能。
2025-11-28 eess.SP
Augmenting Radio Signals with Wavelet Transform for Deep Learning-Based Modulation Recognition
Zhejiang University of Technology（浙江工业大学）；National Key Laboratory of Electromagnetic Space Security（电磁空间安全全国重点实验室）
针对真实场景下无线电调制识别训练数据不足的问题，提出基于离散小波变换细节系数替换重构的多种数据增强方法以扩充训练集，仿真显示其性能显著优于其他增强方法。
2023-11-07 cs.AI cs.LG eess.SP
Mixing Signals: Data Augmentation Approach for Deep Learning Based Modulation Recognition
针对基于深度学习的自动调制识别需大量训练数据的问题，提出四种基于混合信号的数据增强方法，可有效提升模型在RML2016.10a数据集尤其是单信噪比场景下的分类准确率。
2024-10-29 cs.LG eess.SP
Compositional Zero-Shot Recognition based on Tangent Space Disentanglement for Composite Modulation Signals
College of Electronic Science and Technology, National University of Defense Technology（国防科技大学电子科学学院）
针对复合调制信号识别难题，提出基于切线空间解缠的零样本学习框架TSDN，通过对数投影和可学习几何变换处理语义特征，集成对数映射等，实验证明其零样本识别准确率超93%，性能优于基线且在低SNR下稳健。
2026-07-16 eess.SP
Deep Learning Based Automatic Modulation Recognition: Models, Datasets, and Challenges
自动调制识别（AMR）检测接收信号的调制方案以用于进一步的信号处理，而不需要先验信息，并且当这样的信息丢失时提供必要的功能。深度学习（DL）的最新突破为开发用于通信系统的高性能DL-AMR方法奠定了基础。与传统的调制检测方法相比，由于深度神经网络强大的特征提取和分类能力，DL-AMR方法具有很好的性能，包括高识别精度和低虚警。尽管DL-AMR方法具有良好的应用前景，但其复杂性和可解释性也受到关注，影响了无线通信系统的实际部署。本文旨在对当前DL-AMR研究进行综述，重点关注合适的DL模型和基准数据集。我们还提供了全面的实验，从准确性和复杂性的角度比较单输入单输出（SISO）系统的最先进的模型，并提出在新的多输入多输出（MIMO）的情况下应用DL-AMR预编码。最后，现有的挑战和可能的未来研究方向进行了讨论。
2022-07-20 eess.SP
MCANet: A Coherent Multimodal Collaborative Attention Network for Advanced Modulation Recognition in Adverse Noisy Environments
针对低信噪比复杂噪声下自动调制识别性能下降的问题，提出多模态协作注意力网络MCANet，通过精细化特征提取、全局建模与融合策略提升识别鲁棒性，并在多个基准上超越主流模型。
2025-10-21 eess.SP
Data-and-Knowledge Dual-Driven Automatic Modulation Recognition for Wireless Communication Networks
在无线通信网络中，自动识别调制方式是一个非常重要的问题。基于深度学习的自动调制分类方案由于其优越的准确性而引起了广泛的关注。然而，数据驱动的方法依赖于大量的训练样本，并且在低信噪比（SNR）下分类精度较差。为了解决这些问题，提出了一种基于射频机器学习的数据和知识双重驱动的自动调制分类方法。视觉模型用于提取视觉特征。属性学习模型用于学习属性的语义表示。提出了属性表示到视觉空间的转换模型。大量的仿真结果表明，我们提出的自动调制分类方案可以实现更好的性能比基准方案的分类精度，特别是在低信噪比。此外，与其他传统的方案相比，我们提出的方案减少了高阶调制之间的混淆。
2022-06-30 eess.SP
An M-QAM Signal Modulation Recognition Algorithm in AWGN Channel
调制分类是一个模式识别问题，自动调制分类（AMC）方法的复杂性之一是在分类之前从输入数据中提取特征。虽然针对不同信道下的多电平正交幅度调制（M-QAM）算法进行了详细的介绍。通过对文献的检索发现，对高阶M-QAM调制方案如128-QAM、256-QAM、512-QAM和1024-QAM的分类研究很少。本论文的工作主要是研究自然对数特性的强大功能以及从原始数据中提取高阶累积量特征的可能性。在加性高斯白噪声（AWGN）信道下提取HOC信号，定义了四个有效参数来区分调制类型：4-QAM~1024-QAM。该方法提高了识别器的智能化程度，提高了分类的成功率。在噪声信道统计模型下的仿真结果表明，识别算法是在M-QAM信道下进行识别的，而且大多数结果都是有希望的，表明对数分类器在AWGN和不同衰落信道下都能很好地工作，即使在较低的信噪比下也能达到可靠的识别率（小于零），它可以看作是一个综合自动调制分类（AMC）系统，为了识别高阶M-QAM信号，采用了独特的对数分类器，具有更高的通用性，因此它在自动调制识别系统中的性能优于以往的工作
2019-05-13 eess.SP
LinksIQ: Robust and Efficient Modulation Recognition with Imperfect Spectrum Scans
University at Albany SUNY（纽约州立大学奥尔巴尼分校）
虽然对频谱共享的实际进展至关重要，但调制识别迄今为止一直在不切实际的假设下进行研究：（i）发射机的带宽必须单独和全部扫描，（ii）技术的先验知识必须可用，以及（iii）发射机必须值得信赖。实际上，这些假设不能容易地满足，因为发射机的带宽可能仅被间歇地、部分地或与其他发射机一起扫描，并且调制混淆可能由短暂的扫描或恶意活动引入。本文介绍了LinksIQ，它弥合了现实世界的频谱感知和简化假设下设计的不断增长的modrec方法之间的差距。我们的关键见解是，有序的智商样本在调制中形成了独特的模式，即使在扫描缺陷的情况下也会持续存在。我们通过Fisher核框架挖掘这些模式，并采用轻量级的线性支持向量机进行调制分类。LinksIQ对噪声、扫描干扰和数据偏差具有鲁棒性，无需利用发射机技术的先验知识。它的准确性始终优于模拟和真实轨迹中的基线。我们使用两个流行的SDR平台，RTL-SDR和USRP的测试床评估LinksIQ的性能。我们证明了高检测精度（即0.74），即使在50%的发射机重叠20美元的RTL-SDR扫描。这比RTL-SDR扫描上使用的现有同行平均提高了43%。我们还探讨了平台感知分类器训练的效果，并讨论了对现实世界的modrec系统设计的影响。我们的研究结果表明，低成本的发射机指纹在规模上的可行性。
2020-05-07 cs.LG cs.NI eess.SP
Mixture-of-Experts Transformer for Automatic Modulation Recognition
提出MoEformer，一种自适应多尺度混合专家Transformer网络，通过时间重采样构建多尺度专家视图，利用输入依赖门控机制动态融合专家，并集成旋转位置嵌入，在三个基准数据集上取得领先识别精度。
2026-09-11 eess.SP
Deep Learning for Multi-Antenna Modulation Recognition of Radio Signals
College of Electrical and Information Engineering, Quzhou University, Quzhou 324000, China（庆州大学电气与信息工程学院）；National Key Laboratory of Electromagnetic Space Security, Jiaxing 314033, China（电磁空间安全国家重点实验室）；Institute of Cyberspace Security（网络空间安全研究院）；College of Information Engineering, Zhejiang University of Technology, Hangzhou 310023, China（浙江工业大学信息工程学院）
本文提出MAMR-IQ方法，利用多天线接收系统多样性增益提升调制识别性能，通过拼接多天线原始IQ信号输入卷积神经网络，在少样本场景下通过数据增强方法提升识别准确率。
2026-04-20 cs.LG cs.SY eess.SP
Enhancing Automatic Modulation Recognition through Robust Global Feature Extraction
Tsinghua University（清华大学）
提出结合transformer和LSTM的TLDNN混合深度框架及SS数据增强策略，通过全局特征提取提升自动调制识别性能，在少样本等场景下展现出最先进的效果与低复杂度优势。
2024-01-02 cs.AI cs.LG eess.SP
Parameter Estimation based Automatic Modulation Recognition for Radio Frequency Signal
针对现有自动调制识别方法需预设载波参数、深度学习模型复杂度高难部署的问题，提出结合功率谱参数估计与LSTM网络的射频信号识别方法，实现90%以上的识别准确率。
2024-12-11 eess.SP
Deep Modulation Recognition with Multiple Receive Antennas: An End-to-end Feature Learning Approach
使用深度神经网络的调制识别已经显示出比传统算法更有前途的优势。然而，现有的研究大多集中在单接收天线。本文介绍了两种端到端的特征学习深度架构，用于多接收天线的调制识别。第一种方法是基于多视角卷积神经网络，将来自不同接收天线的信号视为三维物体的不同视角，设计了适合多天线信号特征融合的视角池层的位置和操作。考虑到无线通信中接收天线间的瞬时信噪比可能存在差异，本文进一步提出了一种权值学习卷积神经网络，该网络通过权值学习模块自动学习不同接收天线的特征组合权值，实现多天线信号的端到端特征学习。结果表明，两种端到端特征学习深度架构的性能都优于现有算法，而提出的权重学习卷积神经网络实现了最佳性能。
2020-11-09 cs.IT eess.SP math.IT
AI Empowered Communication and Radar Modulation Recognition: A Survey
Ocean University of China（中国海洋大学）；Hanjiang National Laboratory（汉江国家实验室）；The University of Manchester（曼彻斯特大学）；University College London（伦敦大学学院）
本文综述基于AI的通信与雷达调制识别技术，涵盖模型机器学习和深度学习方法。先研究调制类型、总结特征优缺点，再介绍AI模型并分层研究相关方法，最后突出开放问题并给出未来研究方向。
2026-07-28 eess.SP
Channel-Aware Multi-Domain Feature Extraction for Automatic Modulation Recognition in MIMO Systems
本文提出了一种面向通道的多域特征提取框架，用于MIMO系统中的自动调制识别，通过高效通道补偿和多域特征整合提升识别鲁棒性。
2025-12-04 eess.SP
ClST: A Convolutional Transformer Framework for Automatic Modulation Recognition by Knowledge Distillation
Northwestern Polytechnical University（西北工业大学）；University of Houston（休斯顿大学）；Kyung Hee University（庆熙大学）
提出ClST框架和SKD蒸馏方法，解决复杂信道下数据不足和大模型部署难题，实现轻量高精度自动调制识别。
2023-12-29 cs.AI cs.LG eess.SP
Conformal Shield: A Novel Adversarial Attack Detection Framework for Automatic Modulation Classification
本文提出基于共形理论的Conformal Shield框架，通过不一致性软解集对自动调制分类结果进行多重有效性评估，以检测对抗样本攻击并提升识别可靠性。
2024-02-27 eess.SP
Class Information Guided Reconstruction for Automatic Modulation Open-Set Recognition
针对传统自动调制识别闭集假设下未知样本误分类的问题，提出类别信息引导重构框架，结合类别条件向量、互信息损失与去噪模块，在保障已知分类精度的同时提升未知类别识别性能，低信噪比下表现优异。
2024-04-14 eess.SP
Seeing Radio: From Zero RF Priors to Explainable Modulation Recognition with Vision Language Models
Khalifa University（哈利法大学）；College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息与电子工程学院）；Université de Lorraine（洛林大学）
本文提出利用视觉语言模型直接感知无线电波信号并推断调制模式，通过转换IQ流为图像数据，提升模型准确性至90%，并实现可解释的调制识别。
2026-02-15 eess.SP
BR-FiLM: Bounded Residual Channel-Quality Conditioning for Automatic Modulation Recognition
Virginia Commonwealth University（弗吉尼亚联邦大学）；Fairfield University（费尔菲尔德大学）；South Dakota State University（南达科他州立大学）；Stevens Institute of Technology（史蒂文斯理工学院）
该研究针对低信噪比下自动调制识别性能下降问题，提出BR-FiLM模块构建BR-FiLMNet，在RadioML 2016.10a数据集上较MCLDNN提升了平均及低信噪比下的识别准确率。
2026-08-20 eess.SP
Learning Constellation Map with Deep CNN for Accurate Modulation Recognition
调制分类被认为是信号检测和解调之间的中间步骤，被广泛地部署在几个现代无线通信系统中。虽然在过去的几十年中已经研究了许多方法来识别输入信号的调制格式，但它们通常揭示了大多数传统机器学习算法学习无线电特性的障碍。为了克服这个缺点，我们提出了一种精确的调制分类方法，通过利用深度学习与星座图兼容。特别地，卷积神经网络被开发用于熟练地学习灰度星座图的最相关的无线电特性。深度网络由多个处理块指定，其中每个块中的几个分组和非对称卷积层由流中流结构组织，用于特征丰富。这些块通过跳跃连接来连接，以防止消失梯度问题，同时有效地保留整个网络中的信息标识。关于对八种数字调制的星座图像数据集的几次密集模拟，所提出的深度网络在多径瑞利衰落信道下在0 dB信噪比（SNR）下实现了约87%的显著分类准确率，并且进一步优于一些最先进的基于星座的调制分类的深度模型。
2020-09-04 cs.IT eess.SP math.IT
A 3-Dimensional Simplex Modulation Format with Improved OSNR Performance Compared to DP-BPSK
新的三维调制格式3D-Simplex提供比DP-DPSK高1.2 dB的OSNR容限，同时表现出相同的频谱占用，每个符号调制两个比特。我们通过实验验证了这种好处，并评估了非线性环境中的传输性能。所有的实验结果都得到了仿真的证实。3D-单纯形的优点在高度非线性状态下没有保持，但性能仍然与DP-DPSK相当。
2020-09-21 eess.SP
STF-GCN: A Multi-Domain Graph Convolution Network Method for Automatic Modulation Recognition via Adaptive Correlation
本文提出时空频图卷积网络STF-GCN，以时域为锚点融合空域和频域特征，并通过自适应相关性邻接矩阵和PoolGAT层降低计算复杂度，在多个数据集上显著提升了低信噪比条件下的自动调制识别性能。
2025-04-11 eess.SP
Novel Nonlinear Neural-Network Layers for High Performance and Generalization in Modulation-Recognition Applications
本文提出一种受循环平稳信号处理启发、具有新型非线性神经网络特征提取层的胶囊网络，用于数字调制信号盲分类，实验表明其在分类准确率和泛化能力上均优于现有深度学习方法。
2023-08-14 eess.SP
A Survey of OTFS-Based Index Modulation Techniques: Challenges, Benefits, and Future Directions for 6G and Beyond
本综述系统梳理基于OTFS的索引调制技术，分类比较其架构、检测与性能，并探讨挑战与未来方向，为6G高容量通信提供参考。
2025-10-23 eess.SP
Enhancing Automatic Modulation Recognition With a Reconstruction-Driven Vision Transformer Under Limited Labels
The University of Akron（阿克伦大学）
针对自动调制识别在有限标签下泛化难的问题，提出统一ViT框架，整合监督、自监督与重建目标，在RML2018.01A上以15-20%标签接近ResNet精度，实现标签高效且鲁棒的调制识别。
2025-09-11 cs.CV eess.SP
CSPMNet: Pareto-Efficient Automatic Modulation Classification With Learnable Complex Subband Phase Motion
School of Instrument Science and Engineering, Southeast University（东南大学仪器科学与工程学院）；School of Computer Science and Engineering, University of Science and Technology, Nanjing（南京理工大学计算机科学与工程学院）
提出CSPMNet，通过可学习复子带滤波和幅度保持的相位运动模块，在低计算和存储开销下实现高精度自动调制分类。
2026-05-24 eess.SP
Blind Channel Estimation and Data Detection with Unknown Modulation and Coding Scheme
本文研究了一种在未知多径衰落信道下的完全盲接收方法，它包括盲信道估计、噪声功率估计、调制分类、信道编码识别和数据检测等多个任务。这些任务中的每一个都在文献中得到了充分的研究。然而，据我们所知，这一总体问题以前没有被调查过。本文件是联合处理这一总体问题的第一次尝试。我们提出了一个完整的盲接收机的方法，联合估计未知的信道状态信息和噪声功率，识别未知的调制和编码方案，检测感兴趣的数据，因此命名为BERD接收机。所提出的BERD接收机的另一个优点是，它可以实现为单个接收机和多个接收机，这确保了成功的估计，识别和检测这样一个极其困难的问题。此外，数值结果表明，所提出的接收机的性能在三个方面：a）BERD接收机优于线性最小均方误差（LMMSE）基于导频的信道估计超过3.5 dB的MSE为0.01; b）当信道状态信息完美时，BERD接收机的正确调制/编码识别性能在0.3dB以内，接近识别基准（CSI）可用; c）当调制、信道编码和CSI完全已知时，与基准相比，BERD接收器在0.001的出错率下在0.5dB内。最后，BERD接收机在民用和军用领域都有着广泛的应用，如频谱共享中的干扰消除、电子战中的实时信号截获和处理、软件无线电中的检测信号自动识别等。
2019-09-25 cs.IT eess.SP math.IT
BEACON: Benefit-Aware Early-Exit for Automatic Modulation Classification via Recoverability Prediction
University of Calgary（卡尔加里大学）
本文提出BEACON框架，通过可恢复性预测实现基于早退出的自动调制分类，改进现有早退出策略的局限性，提升准确率与计算资源的平衡。
2026-08-17 eess.SP
Polar Feature Based Deep Architectures for Automatic Modulation Classification Considering Channel Fading
Graduate Institute of Electrical Engineering, National Taiwan University（台湾大学电机工程学研究所）
为了开发智能化的接收机，自动调制分类（AMC）对于更好地利用频谱起着重要作用。新兴的深度学习（DL）技术由于其在对具有深层结构的数据进行分类方面的优越性能而在AMC中受到了广泛关注。在这项工作中，提出了一种新的基于极性的深度学习架构与通道补偿网络（CCN）。我们的测试结果表明，从极域（r-theta）学习特征可以将识别准确率提高5%，并将训练开销减少48%。此外，提出的CCN也是强大的信道衰落，如幅度和相位偏移，并可以提高识别精度的14%，在实际的信道环境。
2018-10-07 cs.IT cs.LG eess.SP
Modulation Feature Enhancement with a Multi-Stage Attention Network for Underwater Acoustic Target Recognition
Institute of Acoustics, Chinese Academy of Sciences（中国科学院声学研究所）；University of Chinese Academy of Sciences（中国科学院大学）；School of Computer Science and Electronics Engineering, University of Essex（埃塞克斯大学计算机科学与电子工程学院）
本文提出了一种基于变分模态分解和3/2-D频谱的特征提取与融合方法，结合多阶段多类型注意力机制和可调类平衡焦点损失，提升水下声学目标识别性能。
2026-05-20 cs.SD eess.SP
Distributed learning for automatic modulation recognition in bandwidth-limited networks
针对集中式自动调制识别（AMR）在带宽受限无线网络中难以落地的问题，提出两种多接收机协作的分布式学习AMR方法，在大幅降低带宽需求的同时实现了识别准确率的显著提升。
2025-09-24 cs.IT eess.SP math.IT
Deep Transfer Clustering of Radio Signals
调制识别是无线电信号处理中的一项重要任务。目前的研究大多集中在监督学习上。然而，在许多实际场景中，获取信号的标签是困难的和成本的。在这封信中，我们转向更具挑战性的问题：我们能否仅基于大量未标记的无线电信号来聚类调制类型？如果这个问题能够得到解决，那么我们也可以通过手动标记非常少量的样本来识别调制类型。为了解决这个问题，我们提出了一个深度转移聚类（DTC）模型。DTC将特征学习和深度聚类自然地结合在一起，并进一步采用迁移学习机制来提高嵌入式卷积神经网络（CNN）模型的特征提取能力。实验证明，我们的DTC显着优于一些基线，实现了最先进的性能聚类无线电信号调制识别。
2021-07-26 eess.SP
Recognition and evaluation of constellation diagram using deep learning based on underwater wireless optical communication
抽象的。提出了一种基于深度学习的水下无线光通信星座图识别与评估方法。设计了一种基于卷积神经网络（CNN）的UWOC系统星座图分析器，用于调制格式识别（MFR）、光信噪比（OSNR）和相位误差估计。此外，本文还利用无监督学习方法，从影响水下信道质量的各种因素中挖掘出一种新的优化度量，该度量综合了多个原始指标，我们称之为多噪声空间度量（MNSM）。该模型将星座质量从高到低划分为若干等级，反映了UWOC信道的质量。通过仿真，得到了4种广泛使用的M-QAM调制格式在16个OSNR值（15 dB ~ 30 dB）下的星座图，相位误差标准偏差范围为0° ~ 45°。实验结果表明，该方法对MFR、OSNR和相位噪声的估计精度分别达到100%、95%和98.6%。还进行了消融研究，以分析深度学习在星座图识别中的性能。
2020-07-12 cs.IT eess.SP math.IT
Orthogonal Time Frequency Space Modulation -- Part III: ISAC and Potential Applications
本教程的前两部分介绍了正交时频空间（OTFS）调制，讨论了延迟多普勒（DD）域通信的基本原理以及收发器设计的一些先进技术。在这封信中，我们将提出一个基于OTFS的集成传感和通信（ISAC）系统，这被认为是下一代无线通信的使能技术。特别是，我们说明了OTFS-ISAC系统的传感以及通信模型。接下来，我们表明，受益于时不变的DD信道，感测参数可以用于推断的通信信道，导致一个有效的传输方案。由于这两种功能都是在同一个DD域中实现的，我们简要讨论了基于OTFS的ISAC系统的几个有前途的好处，这些好处尚未完全公布。最后，OTFS的一系列潜在的应用，为未来的无线网络将突出显示。
2022-09-12 cs.IT eess.SP math.IT
Does Probabilistic Constellation Shaping Benefit IM-DD Systems without Optical Amplifiers?
概率星座成形（PCS）由于其在均匀信令上的成形增益和对底层光纤信道条件的细粒度速率自适应而被广泛应用于放大相干光传输。这些优点激发了将PCS应用于以强度调制（IM）直接检测（DD）系统为主的短距离应用的研究。由于商业IM-DD系统通常不采用光放大来节省成本和功耗，因此它们不再受到平均功率约束（APC）而是受到峰值功率约束（PPC），这对充分利用PCS提出了独特的挑战。本文提供了一个全面的研究PCS在IM-DD系统中没有光放大器。特别是，我们发现，如果发射机提高信号的峰均功率比，PPC系统可以部分甚至完全转换为APC系统，其中经典的PCS提供其优点。研究结果通过使用4-和8-ary脉冲幅度调制的IM-DD实验进行了验证。
2021-02-09 eess.SP
Modulation and Classification of Mixed Signals Based on Deep Learning
在信息高速发展的今天，频谱资源越来越紧张，导致研究方向从单一信号的调制分类转向同一信道上多个信号的调制分类。因此，一种有效的混合信号自动调制分类技术的出现具有重要的意义。考虑到NOMA技术对不同功率下混合信号的调制分类有更深层次的要求，本文主要介绍并使用多种深度学习网络对此类混合信号进行分类。首先，再现基于现有CNN模型的单个信号的调制分类。然后，我们开发了新的方法来改善基本的CNN结构，并将其应用于混合信号的调制分类。研究了训练集数目、训练集类型和训练方法对混合信号识别精度的影响。其次，我们研究了一些基于CNN（ResNet34，层次结构）和其他深度学习模型（LSTM，CLDNN）的深度学习模型。可以看出，虽然这些算法的时间和空间复杂度都有所增加，但不同的深度学习模型对不同功率下混合信号的调制分类问题的影响是不同的。一般来说，可以实现更高的精度增益。
2022-05-20 eess.SP
A Novel Automatic Modulation Classification Scheme Based on Multi-Scale Networks
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Nanjing University of Posts and Telecommunications（南京邮电大学）；Utah State University（犹他州立大学）
自动调制分类使智能通信成为可能，并且它在当今和未来的无线通信网络中至关重要。虽然已经提出了许多自动调制分类方案，但它们不能解决由无线通信环境的动态变化引起的类内分集问题。为了克服这一问题，受人脸识别的启发，本文提出了一种基于多尺度网络的自动调制分类方法。此外，一种新的损失函数，结合了中心损失和交叉熵损失，利用学习判别和分离功能，以进一步提高分类性能。大量的仿真结果表明，我们提出的自动调制分类方案可以实现更好的性能比基准计划的分类精度。研究了两阶段训练策略下网络参数和损失函数对分类精度的影响。
2021-05-31 cs.AI eess.SP
Reconfiguring Wireless Environment via Intelligent Surfaces for 6G: Reflection, Modulation, and Security
可重构智能表面（RIS）已被公认为第六代（6G）移动通信网络的一项重要使能技术。具体地说，RIS由大量的小而低成本的反射元件组成，其参数可以用可编程控制器动态调整。这些元件中的每一个都可以有效地反射入射电磁波的相移版本。通过实时的调整波相位，可以动态重构反射信号的传播环境，提高通信可靠性，提高传输速率，扩大蜂窝覆盖范围，增强通信安全性。在本文中，我们提供了一个概述的RIS辅助无线通信。具体而言，我们阐述了国家的最先进的技术，使RIS以及相应的实质性好处的RIS反射和RIS调制的角度。有了这些好处，我们设想将RIS集成到6G的新兴应用中。此外，通信安全在6G网络中具有前所未有的重要性，在各种垂直和区域中具有无处不在的无线服务。我们强调RIS的物理层安全的保密率和保密中断概率方面的潜在贡献，从理论和数值方面的一个典型的案例研究举例说明。最后，我们讨论了在实践中部署RIS的挑战和机遇，以激励未来的研究。
2022-08-23 cs.IT eess.SP math.IT
OFDM-Based Optical Spatial Modulation
空间调制（SM）技术是一种很有前途的多输入多输出（MIMO）技术，具有能量利用率高、系统复杂度低等优点。在SM中，在任何给定时间只有一个发射机是活动的，而其余的发射机保持沉默。活动发射机的索引携带信息。该空间信息是对信号域中的星座符号所携带的数据的补充。因此，与单输入单输出和空时分组编码（STBC）-MIMO相比，SM增加了通信系统的传输速率。对于信号域数据编码，已广泛采用正交频分复用（OFDM）。多载波强度调制和直接检测（IM/DD）系统的主要优点是：i）实现高光谱效率的能力，以及ii）有效减轻直流（DC）漂移效应和环境光影响的能力。然而，当前用作发射实体的现成发光二极管（LED）主要是带宽受限的。因此，存在组合SM和OFDM以增强传输速度同时保持低复杂度的益处。在本文中，两种最常见的基于OFDM的SM类型，即频域SM（FD-SM）和时域SM（TD-SM），光无线通信（OWC）进行了研究。此外，概念验证实验结果展示了这两种技术的实际可行性。所得到的结果也与Monte Carlo模拟进行了比较。结果表明，TDSM与最佳的最大后验概率（MAP）检测器显着优于FD-SM。从结果可以推断，TD SM是未来光IM/DD无线通信系统中基于OFDM的光SM系统的强有力的候选者。
2019-11-23 cs.IT eess.SP math.IT
