基于增量学习的动态在线调制识别

调制识别是通信系统中的一项基础任务，因为准确识别调制方案对于可靠的信号处理、共存通信技术的干扰缓解以及网络优化至关重要。将深度学习模型引入调制识别已在多种场景下展现出有前景的结果。然而，传统的深度学习模型在在线动态环境中往往表现不足，特别是在在线部署期间遇到新调制方案的类别增量场景中。在所有先前见过的调制方案上重新训练这些模型不仅耗时，而且由于存储限制可能不可行。另一方面，仅在新调制方案上训练通常会导致对先前学习类别的灾难性遗忘。这个问题使得基于深度学习的调制识别模型在现实场景中不适用，因为通信系统的动态特性要求对新调制方案具有有效的适应性。本文通过评估多种增量学习算法在动态调制识别场景中的性能，并将其与传统的基于深度学习的调制识别进行比较，来应对这一挑战。我们的结果表明，基于增量学习的调制识别框架能有效防止灾难性遗忘，使模型能够在动态场景中稳健运行。