基于无监督域适应的信号分类跨域恢复
计算工程、金融与科学
2025-10-02 v1
摘要
基于深度神经网络的信号分类模型通常在受控条件下收集的数据集上进行训练，如仿真数据或远端空中(OTA)数据，这些数据受限于特定的信道环境，具有有限的可变性，如固定的信噪比(SNR)水平。因此，这些模型在部署到实际场景时往往难以泛化，因为特征分布显著不同于训练域。本文探索了无监督域适应技术，以弥合不同域之间泛化差距。具体而言，我们研究了基于对抗学习、统计距离对齐和随机建模的适应方法，以对齐仿真域和OTA信号域中的表征。为模拟OTA特征，我们故意生成受真实信道损伤影响的调制信号，且无需解调。我们评估了三种情景下的分类性能，即跨SNR、SNR匹配跨域以及涉及SNR和域转换的阶梯式适应。实验结果表明，无监督域适应方法，特别是随机分类器(STAR)和联合适配网络(JAN)，相对于基线模型实现了持续且显著的性能提升，这凸显了其在无线系统中实现实际部署的前景。
引用
@article{arxiv.2510.00589,
title = {Signal Classification Recovery Across Domains Using Unsupervised Domain Adaptation},
author = {Mohammad Ali and Fuhao Li and Jielun Zhang},
journal= {arXiv preprint arXiv:2510.00589},
year = {2025}
}