ALWNN赋能的自动调制分类技术：克服复杂性与样本量不足的挑战

《IEEE Transactions on Cognitive Communications and Networking》：ALWNN Empowered Automatic Modulation Classification: Conquering Complexity and Scarce Sample Conditions

　　针对自动调制分类中传统方法存在的存储和计算资源消耗高的问题，提出基于自适应轻量波神经网络（ALWNN）和少样本框架（MALWNN）的新模型。ALWNN通过集成自适应小波神经网络和深度可分离卷积降低参数和计算复杂度，MALWNN结合原型网络技术减少样本依赖，仿真及实际测试（USRP和Raspberry Pi）均验证其高效性。

　　

摘要：

在自动调制分类（AMC）领域，深度学习方法展现了出色的性能，相比传统方法具有显著优势，并展示了其巨大的潜力。然而，这些方法也存在一些明显的缺点，尤其是对存储空间、计算资源以及大规模标记数据的高需求，这限制了它们在现实世界场景中的实际应用。为了解决这一问题，本文提出了一种基于自适应轻量级小波神经网络（ALWNN）和少样本学习框架（MALWNN）的自动调制分类模型。ALWNN模型通过结合自适应小波神经网络和深度可分离卷积技术，减少了模型参数的数量和计算复杂度。MALWNN框架以ALWNN作为编码器，并融入了原型网络技术，降低了模型对样本数量的依赖性。仿真结果表明，该模型在主流数据集上的表现非常出色。此外，在每秒浮点运算次数（FLOPS）和标准化乘积累加复杂度（NMACC）方面，ALWNN相比现有方法显著降低了计算复杂度。这一优势通过在实际系统测试（如Universal Software Radio Peripheral (USRP)和Raspberry Pi平台）中得到了进一步验证。实验表明，MALWNN在少样本学习场景中的性能优于其他算法。