本文提出了一种使用卷积神经网络的自动调制分类器模型用于识别与调制类型有关的同一族中的调制类别，该模型能够在实际无线信道衰落和其他影响下识别，使用更全面的数据集进行测试和评估的结果表明，在更接近真实情况下，表现出了比现有模型更好的准确性和训练时间，并且比使用 RadioML2016.10a 数据集时性能更好。

Nov, 2019

本研究提出了 AMC-Net，一种新的自动调制识别方法，通过在频域中对输入信号进行降噪，并进行多尺度和有效特征提取，提高了识别准确性，并在两个代表性数据集上的实验中表现出了比大多数当前方法更好的效率和效果。

Apr, 2023

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

本文提出了一种基于生成式对抗网络（GAN）的反攻击方法，以保护基于深度神经网络（DNN）的自动调制分类（AMC）系统免受对抗性攻击，并展示了其对抗快速渐变符号方法（FGSM）算法的抵抗性。我们采用 GAN 与多发生器的混合来克服典型 GAN 所面临的模式塌陷问题，以解决针对通信系统的这个分类问题。模拟结果表明，我们的提出的防御 GAN 可将 DNN-based AMC 在对抗攻击下的准确性提高到约 81％。

May, 2022

本文提出了一种利用卷积神经网络生成频谱图进行自动调制分类的方案，该方案通过对不同信号进行分辨率变换以达到 99.61％的计算负载降低和 8 倍的速度提升。所提出的方法在现有 CNN 模型上评估表现，取得了 91.2% 的最佳分类准确率，并且对不同信噪比的实验结果表明，其在无线通信网络中进行实时应用的效率非常高。

Jun, 2023

通过对使用深度学习模型进行自动调制识别和子采样的自动调制识别系统进行对抗攻击的分析，揭示了子采样本身对对抗攻击具有有效的威慑作用，并找到了在对分类器和子采样器都预计会进行对抗攻击时最高效的子采样策略。

Jan, 2024

信号检测和调制分类是各种无线通信系统中的两个关键任务，本文通过考虑含有不同调制方案的多个信号在不同载波频率下共存的真实和复杂情景，研究了联合信号检测和自动调制分类 (AMC)，并提出了一个联合框架用于在这种多信号共存环境中进行检测和分类，最后通过广泛的模拟实验验证了设计的有效性。

Apr, 2024

为应对联合问题，本研究提出两种优化的深度学习模型通过知识蒸馏和网络修剪，并引入计算高效的对抗训练过程来提高模型的鲁棒性，实验结果表明这两种优化和对抗训练模型在白盒攻击下比标准模型更具鲁棒性，在干净样本上也能达到更高的准确率，从而为边缘应用的深度学习解决方案的可靠性提供有效支持。

Apr, 2024

提出了一个基于分离学习（SL）框架的新型自动调制分类（AMC）方法，名为 SplitAMC，可在保证数据隐私和低延迟的同时，即使在低质量信道下也能实现高准确度，其通过交换打碎数据及其梯度而不是原始数据，为每个客户端提供数据隐私保护，并具有噪声鲁棒性。数值评估表明，SplitAMC 在所有 SNR 和延迟方面优于 CentAMC 和 FedeAMC。

Apr, 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