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

本文主要介绍了一种自动无线电调制识别技术，结合深度压缩和加速技术提出了一种轻量神经网络模型，在边缘侧设备上可以实现物理层身份认证，自动信号处理，为未来 5G 及军用网络提供技术支持。同时，以自动雷达调制调制分类为例，对代表性加速方法进行了广泛分析并进行了计算指标衡量。

Apr, 2022

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

我们调查了将最新的深度神经网络机器学习应用于无线电调制识别任务的最新进展，结果表明，无线电调制识别并不受网络深度的限制，后续工作应该集中在改善学习同步和均衡方面。这些领域的进展可能来自专为这些任务设计的新型架构或通过新的训练方法。

Mar, 2017

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

本文提出并评估了基于 transformer 的声学模型在混合语音识别中的应用。通过讨论不同的建模选择，包括各种位置嵌入方法及迭代损失等，我们证明了在 Librispeech 基准测试中使用 transformer 模型相比其他模型性能更优越，且结合神经网络进行二次评分，我们的方法可以达到最先进的结果。

Oct, 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

本文提出了基于 Transformer 和调制的两种极具轻量性能却强大的情感识别和情感分析解决方案，通过组合大量数据集的语言和语音输入来挑战、有时甚至超越这一领域的现有技术，并在 IEMOCAP、MOSI、MOSEI 和 MELD 数据集上评估和验证其性能。

Oct, 2020

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