ModFus-DM：探索调制信号扩散生成模型中的表征
信号处理
2025-08-05 v1
摘要
自动调制分类(AMC)是无线通信系统中重要任务，适用于军事和民用应用。然而，现有的深度学习AMC方法常要求大量标注信号，且在信号长度不固定、分布迁移及标注信号稀缺等场景中表现不佳。为此，本文提出一种调制驱动的扩散模型特征融合方案(ModFus-DM)，是一种新型无监督AMC框架，利用扩散模型的生成能力进行稳健的调制表征学习。我们设计了调制信号扩散生成模型(MSDGM)，通过逐步去噪过程隐式地捕获结构和语义信息。此外，本文提出扩散感知特征融合模块(DAFFus)，该模块自适应地聚合多尺度扩散特征以增强判别性表征。大量实验表明，ModFus-DM在RML2016.10A、RML2016.10B、RML2018.01A和RML2022数据集上，在诸多具有挑战性的场景（如有限标签设置、分布迁移、可变长度信号识别及信道衰落场景）中显著优于现有方法。值得注意的是，在24类型识别任务中，当信噪比 12dB时，仅需每类10个标注信号即可实现超过88.27%的准确率。
引用
@article{arxiv.2508.01719,
title = {ModFus-DM: Explore the Representation in Modulated Signal Diffusion Generated Models},
author = {Haoyue Tan and Yu Li and Zhenxi Zhang and Xiaoran Shi and Feng Zhou},
journal= {arXiv preprint arXiv:2508.01719},
year = {2025}
}