面向信道可变性下自动调制分类的深度域对抗自适应
信号处理
2025-08-12 v1
摘要
自动调制分类（AMC）在现代认知与智能无线电系统中扮演着重要角色，其中调制的准确识别对于自适应通信至关重要。异构无线信道条件的存在，如瑞利衰落和莱斯衰落，对传统AMC模型的泛化能力构成了重大挑战。在这项工作中，我们提出了一种基于域对抗神经网络（DANN）的深度学习框架，该框架明确缓解了源域和目标域之间由信道引起的分布偏移。该方法使用一个全面的仿真数据集进行评估，该数据集包含在五个频段的瑞利和莱斯衰落信道下的五种调制方案（BPSK、QPSK、16QAM、64QAM、256QAM）。对比实验表明，与仅在源域上训练的基线监督模型相比，基于DANN的模型在某些调制情况下实现了高达14.93%的绝对准确率提升。这些发现确立了域对抗学习在真实信道可变性下AMC任务中的工程可行性，并为自适应频谱智能的未来研究提供了一个稳健的方向。
引用
@article{arxiv.2508.06829,
title = {Deep Domain-Adversarial Adaptation for Automatic Modulation Classification under Channel Variability},
author = {K. A. Shahriar},
journal= {arXiv preprint arXiv:2508.06829},
year = {2025}
}
备注
5 pages, 3 figures