通过鲁棒全局特征提取增强自动调制识别

自动调制识别在无线通信系统中起着至关重要的作用。近年来，深度学习AMR策略取得了巨大成功。调制信号表现出长时依赖关系，提取全局特征对于识别调制方案至关重要。传统上，人类专家分析星座图中的模式来分类调制方案。经典的基于卷积的网络由于其有限的感受野，擅长提取局部特征但难以捕捉全局关系。为了解决这个限制，我们引入了一种新颖的混合深度框架TLDNN，它结合了Transformer和长短期记忆（LSTM）的架构。我们利用Transformer的自注意力机制来建模信号序列中的全局相关性，同时使用LSTM来增强对时间依赖性的捕捉。为了减轻射频指纹特征和信道特性等对模型泛化能力的影响，我们提出了称为片段替换的数据增强策略，以增强模型对调制相关特征的鲁棒性。在广泛使用的数据集上的实验结果表明，我们的方法达到了最先进的性能，并在复杂度方面表现出显著优势。我们提出的框架作为一个基础骨干，可以扩展到不同的数据集。我们已经验证了我们的增强方法在增强模型泛化能力方面的有效性，特别是在少样本场景中。代码可在\url{https://github.com/AMR-Master/TLDNN}获取。