基于迁移学习的自动调制分类方法

作     者：王栋 崔天舒 姬丽彬 黄永辉 朱岩 

作者机构：中国科学院国家空间科学中心复杂航天系统电子信息技术重点实验室 中国科学院大学计算机科学与技术学院 中国航天科技创新研究院 

出 版 物：《北京航空航天大学学报》 (Journal of Beijing University of Aeronautics and Astronautics)

年 卷 期：2024年

核心收录：

学科分类：11[军事学] 0810[工学-信息与通信工程] 12[管理学] 1105[军事学-军队指挥学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 081002[工学-信号与信息处理] 110503[军事学-军事通信学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主　　题：迁移学习 注意力机制 深度学习 调制分类 采样频率 

摘      要：深度学习在调制分类上的应用取得了很大进展，但受到训练数据和测试数据分布一致性的限制。为了解决源域和目标域采样率不同导致的数据分布不一致的调制分类问题，提出了一种新颖的多尺度注意力迁移学习架构(Multi-scale Attention Transfer Learning Architecture， MATLA)来解决跨域识别问题。该架构利用三个具有不同尺度的并行卷积核来提取不同粒度级别特征。此外，该过程中还融入了多尺度注意力机制，这一机制通过强化重要特征的权重，增强了提取具有辨别力的特征的能力。为了实现源域与目标域特征的有效对齐，使用多核最大均值差异(Multiple Kernel Maximum Mean Discrepancy， MK-MMD)来度量再生核希尔伯特空间(Reproducing Kernel Hilbert Space， RKHS)中两个域的特征分布的差异程度。此外，为了有效减少源域特征内部的变化，增强特征的一致性和稳定性，提出了多核中心损失(Multiple Kernel Center Loss， MKCL)。实验结果表明：所提方法在信噪比大于0dB时，识别准确率达到83.42%，优于其它几种网络模型和域适应方法。