【论文阅读】Multi-Component Feature Extraction for Few-Sample Automatic Modulation Classification

用于小样本自动调制分类的多分量特征提取

摘要

背景

随着深度学习 （DL） 的快速发展，自动调制分类 （AMC） 也取得了巨大的飞跃。基于 DL 的 AMC 方法能够通过训练大量标记样本来实现高精度。

问题

然而，如果样本不足，这些基于 DL 的 AMC 方法会急剧恶化。少数样品条件下的调制识别逐渐成为一个紧迫的问题。

方法

为了解决这个问题，我们提出了一种新的少样本 AMC 学习框架，称为多成分提取网络 （MCENet），可以有效地提取潜在且容易区分的特征。

实验

在公开可用的数据集 RadioML2016.10a 上的实验结果表明，所提出的 MCENet 优于其他对比性少数样本 AMC 方法，并取得了更好的结果。

引言

自动调制分类 （AMC） 的目的是在没有先验信息的情况下识别接收信号的调制类型 。它是许多无线通信系统中信号解调的必备技术，在电磁频谱控制、网络空间安全和认知无线电等领域发挥着重要作用。随着移动设备的大量使用和新一代通信技术的发展，现代社会对频谱资源的需求迅速增长，电磁环境也越来越复杂。需要快速准确的 AMC 方法来提高无线电频谱管理的效率以及通信系统的安全性和可靠性。

传统的 AMC 方法通常可分为两类：基于似然的 （LB） 方法和基于特征的 （FB） 方法