交叉验证的跨通道自注意力与去噪用于自动调制分类
机器学习
2026-04-14 v1 声音
摘要
本研究针对深度学习自动调制分类(AMC)模型的关键局限性进行了研究，这些模型在高信噪比(SNR)条件下表现良好，但由于常规特征提取抑制了判别结构和干扰，在噪声环境下性能下降。目标是开发一种保留特征的去噪方法，以缓解调制类别分离度的损失。提出了一种深度学习AMC模型，包含跨通道自注意力块用于捕获正弦相位(IQ)分量之间的依赖关系，以及双路径深度残差-shrinkage去噪块用于抑制噪声。使用RML2018.01a数据集进行实验，采用分层抽样涵盖24种调制类型和26个SNR水平。结果表明，去噪深度对低至中等SNR条件下的鲁棒性影响显著。与基准模型PET-CGDNN、MCLDNN和DAE相比，所提模型在-8 dB至+2 dB SNR范围内实现了显著的准确率提升，分别提升了3%、2.3%和14%。交叉验证确认了该模型的鲁棒性，得到平均准确率62.6%、宏平均精确率65.8%、宏平均召回率62.6%和宏平均F1分数62.9%。该架构推动了干扰感知的AMC，通过将基带建模形式化为正交子问题并引入跨通道注意力作为广义复数交互算子，实验结果验证了在低至中等SNR条件下，特征保留去噪对鲁棒性的关键作用。
引用
@article{arxiv.2604.10054,
title = {Cross-Validated Cross-Channel Self-Attention and Denoising for Automatic Modulation Classification},
author = {Prakash Suman and Yanzhen Qu},
journal= {arXiv preprint arXiv:2604.10054},
year = {2026}
}