微信公众号：EW Frontier关注可了解更多的雷达、通信、人工智能相关代码。问题或建议，请公众号留言;如果你觉得EW Frontier对你有帮助，欢迎加入我的知识星球或面包多，更多代码等你来学知识星球：https://wx.zsxq.com/dweb2/index/group/15552518881412面包多：https://mbd.pub/o/author-a2mYl2tsbA==/work

QQ交流群：1022600869

注：本文为参考文章~代码为对其部分内容进行复现~

摘要

自动调制分类（AMC）在无线电领域具有重要意义，而深度神经网络在AMC任务上取得了可喜的进展。然而，现有的研究还没有充分利用无线电信号中存在的各种特征，这表明在进一步增强模型性能方面还存在未开发的潜力。为此，本文提出了一种新的多通道卷积提取Transformer模型结构。在MCDformer中，我们首先提出了一个简洁的频域去噪模块（FDM），有效地利用了频域信息，增强了输入信号的去噪过程。在使用卷积神经网络主干提取波形特征之后，我们提出了一种提取的Transformer模块（DTM）来捕获时域特征并学习不同特征之间的相关性。在DTM中，引入了一个蒸馏层来进一步压缩注意力图，同时降低了计算复杂度。通过集成从不同方面学习特征的模块，MCDformer可以有效地利用各种特征的互补性，从而从信号中获取更丰富的信息，并实现更高的分类性能。数值实验结果表明，MCDMormer模型与现有AMC模型相比取得了很好的性能.

引言

自动调制分类（AMC）是无线通信系统中的关键技术[1]，其目的是自动识别无线电时间序列信号的调制类别。对于一个有效的无线通信系统，获得所发送的信息首先需要准确地识别所截取的信号的调制模式。因此，AMC在实际应用中非常重要[2]，并且与机器学习技术有许多组合以提高识别性能[3]。

目前AMC方法可以大致分为两类：基于似然（LB）的方法[4]-[7]和基于特征（FB）的方法[8]-[11]。LB方法通过将AMC公式化为假设检验问题并计算接收信号的似然性来对信号进行分类贝叶斯估计[5]。然而，它们需要关于信道条件的先验知识[6]，并且容易受到诸如信道对信号衰落[12]和时间延迟[13]的影响等现实因素的影响，这些因素在复杂的现代通信系统中具有有限的实用价值。与LB方法相比，FB方法通常采用特征提取器和基于机器学习的分类器来识别调制类别[9]。在传统的FB方法中，特征提取器是根据专家知识设计的。例如，利用经验公式[10]、[11]提取原始信号的各种高阶累积量作为特征值。这意味着传统的FB方法难以适应不同的无线场景，例如各种信噪比环境。幸运的是，FB方法可以通过将特征提取器和分类器级联到一个完整的神经网络中来方便地与深度学习技术集成。这允许赋予AMC方法以深度神经网络（DNN）的表示学习能力[14]，使用通用学习过程自动从原始信号中学习有用的，多级的和高级的特征。

利用DNN模型的特征学习能力，许多以端到端方法提取信号特征的深度学习技术被应用于AMC任务[15]。O 'shea和West [16]提出了使用DNN来预测调制类别的开创性工作。作者使用了两个卷积神经网络（CNN），它们具有相同但不同的过滤器来学习许多时间特征。Liu等人。[17]应用卷积长短期深度神经网络（CLDNN），将长短期记忆（LSTM）层堆叠在四层CNN的顶部，从原始信号中学习时域波形[18]。由于无线电时间序列信号包括同相/正交（I/Q）通道，Xu等人[19]引入了多通道卷积长短期深度神经网络（MCLDNN），以补充具有独立I/Q通道输入的网络，以完全提取时间特征。为了进一步识别时域中的时间相关性，Kong等人。[20]提出了一种卷积Transformer深度神经网络（CTDNN），它将Transformer [21]耦合到基于CNN的嵌入模块上。然而，仅从时域学习特征的AMC方法的识别性能仍然不能令人满意。因为无线电信号可以被描述为无限多个正弦波的总和，每个正弦波具有不同的频率，通过表征频率特性来提高调制分类性能是有价值的，但是这些工作忽略了。

为了利用频域中的信号特征，已经进行了一些研究。例如，Yashashwi等人[22]在基于CNN的模块之前采用了基于多层感知器（MLP）的校正模块，旨在消除由无线信道引起的频率和相位失真。Hou等[23]利用快速傅里叶变换（FFT）从时域获得信号的频率信息，然后构造复CNN来识别调制。Zhang等人[24]建立了一个调制分类框架，称为AMC-Net，通过对原始信号应用FFT，从频域学习全局滤波器。考虑到信号的不同频带，作者进一步提出了自适应小波网络（AWN），该网络结合了多级小波分解和注意机制，分别提取和选择频率特征[25]。这些尝试证明了频率信息对于AMC的关键作用。然而，不同特征在时域和频域上的相互作用却鲜有研究。

总之，以前的研究主要集中在部分特征[17]，[19]，[25]，并采用可能无法充分学习信号中存在的复杂模式的简单模块[24]。在这方面，本文提出了一种新的方法，称为多通道卷积蒸馏Transformer（MCDformer）的AMC，其中包括频域去噪模块（FDDM），CNN骨干，和蒸馏Transformer模块（DTM）。主要贡献总结如下。

·提出了一种新的AMC框架MCDMormer，该框架能够联合收割机无线电信号的多种不同特征，充分利用信号中的固有信息，从而提高分类性能。

·为了充分利用频域信息，提出了一种新的简洁的频域去噪模块（FDM）。该算法有效地捕获了真实的部和虚部的特征，在较低的计算复杂度下显著提高了去噪效果。

·为了有效地捕获不同特征之间的相关性，同时关注更多的可区分模式，我们提出了一种提取的Transformer模块（DTM）。DTM架构在两个Transformer模块之间加入了一个提取层，从而提取注意力图并降低计算复杂度。

·在两个典型数据集上的实验结果表明，MCDformer的分类性能明显优于现有的基线，验证了方法的有效性。

文章插图

结论

本文提出了一种新的用于自动调制分类的多通道卷积蒸馏Transformer（MCDformer）模型，该模型由频域去噪模块（FDDM）、CNN骨干和蒸馏Transformer模块组成。在MCDformer中，FDDM利用频域信息来有效地对输入信号进行降噪。在通过CNN主干提取信号的波形特征之后，DTM捕获时间特征并学习不同特征之间的相关性。此外，DTM中的蒸馏层浓缩了特征信息，降低了计算复杂度。MCDformer能够有效融合无线电信号的各种特征，充分挖掘信号中的潜在信息，从而显著提高分类性能。我们未来的工作将继续提高分类精度在较低的信噪比环境。

完

相关学习资料见面包多链接https://mbd.pub/o/author-a2mYl2tsbA==/work。

欢迎加入我的知识星球：https://wx.zsxq.com/dweb2/index/group/15552518881412，永久获取更多相关资料、代码。