數字通信世界 Журнал Онлайн-Подписки

Article人工智能赋能职业教育课堂变革与产教融合体系实践探索

朱同威周丽梅沈越昌

Article基于知识图谱的“土木工程材料”智慧课程建设

段俊娜，项朝君，魏利朋 等郝丽娜王梓玮，曲梦露，骆净华

Article人工智能大语言模型对高校人才培养的冲击与启示研究

高正欣王 超，冯 骥，孙 松 等王 兰

Article0 引言

无线电信号调制识别技术在民用和国家安全等领域具有重要作用。在复杂电磁环境中，信号常受多径衰落和噪声干扰影响，使得接收信号成为有用信息与噪声的混合体，给准确识别带来挑战。随着物联网技术发展和无线终端数量激增，频谱资源日益紧张，高效的频谱利用与管理机制尤为关键。自动调制识别 （AMR）作为一项基础性关键技术，被广泛用于频谱 感知、电磁频谱管理、电子战、认知无线电网络[1]、干扰检测[2]、雷达信号识别[3]等多个方面。对提升频谱使用效率和通信系统性能具有重要意义。 自2016年Kim等人[4]将深...

ArticleModulation Recognition Algorithm Based on 2D Convolutional Adaptive Visibility Graph

Article基于二维卷积自适应可见图的调制信号识别算法

（1.国家无线电监测中心检测中心，四川 成都...

Article图2二维自适应可视化网络为了让时间序列在映射成图的过程中尽可能保留

2DAVG算法核心是通过二维卷积（核尺寸 +2,2)，k ∈[0ε, ]，ε为超参数）。提取特征序列 ，并 以此构建邻接矩阵A，这样做的目的是在减小模型复杂度的同时避免通道独立建模丢失通道的相关性。算 法的实现过程如表1所示。 表1 2DAVG算法 算法1：二维卷积自适应可视图（2DAVG） 1.输入：时间序列，超参数 2.输出：由邻接矩阵 和特征矩阵 决定的可视图 3.初始化邻接矩阵 条从对角线上的值对应于第 次获取到的...

Article图3不同超参数时的最大识别准确率对比图

ε是用来限制两个采样点之间的距离，其值会影响可视图 形状。本文在RML2016.10A[12]上测试了ε取值从6至15时的识别准确率，结果如图3所示。实验表明：当ε=9时模型性能最优，最高识别准确率达到92.08%。 为分析2DAN在调制识别中的性能，本文将其与CNN[5]、Resnet [5]及LSTM[5]进行对比。如图4（A）所示，在-20 db至18 DB信噪比范围内，2DAN识别率最 优，Resnet最差。resnet与CNN虽在图像分类中表 现良好，但对调制信号这类时间序列特征学习不足，