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

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

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

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

研究使用深度学习进行无线信号调制识别的有效性，并在现有框架的基础上开发出结合 Residual Networks、Densely Connected Networks 以及 Convolutional Long Short-term Deep Neural Network 的架构，使得高信噪比下的准确率达到了 88.5%。

Dec, 2017

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

自动调制识别在无线通信系统中起着关键作用，我们提出了一种名为 TLDNN 的混合深度框架，将 Transformer 和 LSTM 的结构相结合，通过自注意机制建模信号序列的全局相关性以增强时间依赖性的捕捉，并采用段替换（SS）的数据增强策略来提高模型对调制相关特征的鲁棒性，实验结果表明我们的方法在广泛使用的数据集上取得了最先进的性能并在复杂性方面具有显著优势。

Jan, 2024