该论文提出了一种基于采样分布距离的最优判别函数方法，通过特定的测试点在累积分布函数上的分布距离对各种候选星座进行分类，该方法利用贝叶斯决策准则，并针对测试点进行了优化，具有明显的性能改进。

Feb, 2013

深度学习在自动调制分类方面的最近进展鼓舞了许多可能应用于资源受限的边缘设备上的无线信号处理，本文通过对三种最常用的模型优化技术（剪枝、量化和知识蒸馏）进行了深入研究，提出了优化的卷积神经网络结构以实现自动调制分类。实验结果表明，所提出的单独和结合的优化技术对于以显著较小的复杂性开发模型，并在减少参数的同时维持或提高分类性能方面是非常有效的。

Apr, 2024

本文针对之前的距离度量学习算法中存在的一些问题，提出了一种通过分布模型在表示空间中自适应评估相似性，并通过惩罚类别分布重叠实现局部判别的新方法，在多项任务上取得了最新的分类结果，并提高了所学表示的属性集中度和层次恢复能力。

Nov, 2015

本文研究了深度学习算法在从子采样数据中自动识别无线通信信号调制类型的可行性和有效性，提出了三种神经网络架构进行分类，并探讨了减少训练时间的算法和技术，实现了在高信噪比下的在线分类。

Jan, 2019

LMPHNN 是一种基于 KNN 算法的分类器，通过利用谐波平均距离 (HMD) 来改善分类性能，在小样本量或异常值方面具有较低的敏感性。

May, 2024

Scalable Label Distribution Learning (SLDL) is proposed for multi-label classification, where different labels are described as distributions in a latent space with asymmetric correlation, independent of the number of labels, resulting in little computational consumption.

Nov, 2023

使用积分概率度量方法 (IPMs)，提出了一种新的特征选择框架，通过探索特征之间的类条件分布之间的距离，从而直接挖掘特征的判别信息，实验结果表明该框架在分类准确性和抗扰动性方面优于现有方法。

Jan, 2024

这篇论文提出了一种基于距离的监督学习方法，称为 minimal learning machine，它可以通过学习输入和输出距离矩阵之间的映射来构建预测模型，并尝试将这个技术及其核心组件（距离映射）应用到多标签学习上。结果表明，这种方法在小到中等规模的多标签学习问题上的表现优于其他方法，其模型构建简单线性、确定性强，可评估预测的不确定性，且超参数选择方便。

May, 2023

本文提出了一种基于长短时记忆的自动调制分类新数据驱动模型，分析表明该模型在不同信噪比条件下可实现近 90% 的平均分类准确性，可用于不同符号速率的调制信号分类，同时还考虑降低分布式传感器的数据通信开销和低处理能力传感器部署的问题。

Jul, 2017

本文介绍一种基于非半正定线性相似性的学习算法，用于分类，该算法能够通过最优化距离和相似度函数来在非线性特征空间中学习，该方法得到应用后，在各种数据集上比起现有方法具有更好的效果，而且速度快、防止过拟合和产生非常稀疏的分类器。

Jun, 2012