IDAF:代式双尺度注意力融合网络,用于自动调制识别.
Bohan Liu1, Ruixing Ge1, Yuxuan Zhu1
1Institute of Systems Engineering, Academy of Military Science of the People's Liberation Army, Beijing 100083, China.
Sensors (Basel, Switzerland)
|October 14, 2023
概括
本研究介绍了一种代的双级注意力融合 (iDAF) 方法,用于使用多模数据改进调制识别. 这种新的方法通过整合多种信息源来提高准确性,克服了单模深度学习技术的局限性.
科学领域:
- 信号处理 信号处理
- 机器学习 机器学习
- 无线通信无线通信
背景情况:
- 深度学习模型越来越多地用于调制识别,提供端到端学习.
- 目前的单一模式方法面临的挑战是信息不完整和局部优化.
研究的目的:
- 开发一种用于增强调制识别的多模融合方法.
- 解决信号处理深度学习中单模输入的局限性.
主要方法:
- 引入了一种代的双尺度注意力融合 (iDAF) 方法.
- 使用本地和全球嵌入层构建具有不同受体场的特征地图.
- 使用代双通道注意模块 (iDCAM) 进行功能集成.
主要成果:
- 在10dB的信号噪音比率 (SNR) 中,实现了93.5%的识别精度.
- 在完全SNR时达到0.6232的性能指标.
- 通过比较实验和废除研究证明了有效性和优越性.
结论:
- 该iDAF方法有效地集成多模数据,以实现可靠的调制识别.
- 该方法提取了特定领域的特征,同时利用不同模式的互补优势.
- 对于复杂的信号识别任务,iDAF提供了一种优越的替代方法.
