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

本篇研究文章采用深度学习建立的自动调制识别模型，通过使用基带信号的时域和频域特征，成功抵御对模型的恶意攻击，实现准确识别调制信号的功能，并分别得到了 30% 和 50% 的准确率提升。

Nov, 2020

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

在时间序列分析中，自动调制识别（AMC）在信号分类和识别等无线通信领域起着重要的作用。本研究提出了 MoE-AMC，这是一种基于混合专家（MoE）模型，旨在在不同信噪比条件下均衡地处理 AMC 问题。实验表明，MoE-AMC 能够以领先的分类准确度捕捉不同信噪比情况下的独特信号特征，为无线通信系统中的信号分类准确度提供了一种有前景的方法。

Dec, 2023

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

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

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

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

通过应用早期退出方法来加速深度学习模型的推断过程，本文提出了四种早期退出架构和一种自定义的多分支训练算法，研究了模拟调制分类的分类准确性和推断时间之间的权衡，并证明早期退出技术可以显著减少深度神经网络的推断速度，同时保持分类准确性。

Aug, 2023