基于 Transformer 的认知无线电：使用 Transformer 模型的自适应调制策略
机器学习
2026-01-16 v1
摘要
认知无线电 (CR) 系统能够动态适应不断变化的频谱环境，可能从机器学习技术的最新进展中受益显著。通过创新方法，例如使用 Transformer 模型，这些系统在谱灵活性、鲁棒性和安全性方面都可以得到提升。本工作研究将 Transformer 模型，具体为 GPT-2 架构，应用于生成无线通信中新颖调制方案的应用。通过在现有调制公式数据集上训练 GPT-2 模型，可以创建新的调制方案。然后将这些生成的方案与传统方法进行比较，使用关键绩效指标，如信噪比 (SNR) 和功率谱密度 (PSD)。结果表明，Transformer 生成的调制方案可以实现与传统方法相当的性能，甚至在某些情况下超越传统方法。这表明，CR 系统的高级应用可以从 Transformer 模型的实现中获益，从而实现更高效、更稳健和更安全的通信系统。
关键词
引用
@article{arxiv.2601.10519,
title = {Transformer-Based Cognitive Radio: Adaptive Modulation Strategies Using Transformer Models},
author = {Andrea Melis and Andrea Piroddi and Roberto Girau},
journal= {arXiv preprint arXiv:2601.10519},
year = {2026}
}