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==/workQQ交流群：729981694
如有侵权请联系删除~
摘要
在自动调制分类（AMC）中，扩展的信号长度提供了丰富的信息，但却影响了模型的适应性，引入了更多的噪声干扰，延长了训练和推理时间，增加了内存使用量。为了弥合这些要求之间的差距，我们提出了一种新的AMC框架，指定为基于曼巴的自动调制分类（MAMC），它解决了长序列AMC的准确性和效率的要求。具体来说，我们引入了选择性状态空间模型（Mamba），它增强了模型在长期记忆和信息选择方面的能力，并降低了计算复杂度和空间开销。我们进一步设计了去噪单元，过滤掉有效的语义信息，以提高准确率。在公开数据集RML 2016.10和TorchSig上进行的严格实验评估证实，MAMC提供了上级识别精度，同时需要最小的计算时间和内存占用。
引言
在现代通信系统的领域中，自动调制分类（AMC）已经出现，为诸如频谱监测、电子战和自适应通信系统的许多应用提供基本功能[1]。对更智能和敏捷的通信系统的推动加速了AMC方法的研究，特别是在深度神经网络中[2]。
在深度学习驱动的AMC探索中，研究人员采用了卷积神经网络（CNN）、循环神经网络（RNN）、Transformer等模型。简单的原始模型难以适应可变信号，导致精度降低。研究人员将复杂的模块结合起来以提高精度，但这也增加了计算时间和内存占用量[3]-[5]。
与此同时，随着物联网（IoT）设备的增加，计算能力有限，同时强调及时性[6]。这使得效率成为一个关键的衡量标准。先前的研究通过大幅降低模型复杂性来实现高及时性和低内存占用，但这会影响准确性[6]-[8]。准确性和效率呈现出一种对立的关系，强大的模型需要更高的计算成本。
此外，一个经常被忽视的挑战是，公共数据集通常包含较短的采样长度，例如RML 2016.10 [9]所示。符号的数量受到约束，并且在某些调制方案中可能达不到实际计数。尽管如此，目前的模型很少验证较长序列的鲁棒性。如图1所示，由于信号长度延长的影响，我们希望开发一种模型，可以保证识别精度，同时确保时间和内存的效率。
满足这些严格要求的新兴模型是选择性状态空间模型（SSM），也称为Mamba [10]。Mamba根据当前输入选择性地传播信息，并对历史信息进行建模，从而增强长期记忆。Mamba确保了循环模型的快速推理能力和卷积模型的高速并行训练能力，并通过减少GPU内存交换进一步加速训练过程。Mamba具有极低的计算和存储开销以及高吞吐量。
在这封信中，我们提出了基于Mamba的自动调制分类（MAMC）方法。我们引入了一个具有降噪能力的卷积单元来提高模型在不同信噪比（SNR）下的适应性，并结合Mamba来实现准确高效的AMC。这封信的贡献如下：
·我们首先在AMC中引入Mamba，并通过开源代码为社区做出贡献。这一举措在AMC领域建立了一个新的基准，促进了进一步的深入研究。
·我们深入研究了AMC中信号样本长度扩展的影响。所提出的MAMC框架具有去噪和时间依赖能力，对较长的序列具有更好的鲁棒性。
·我们的MAMC框架展示了最佳性能。相对于现有的模型，它始终提供上级的准确性，减少计算时间和内存占用，并在整个信号长度和SNR频谱稳定的性能。
文章插图
结论
在这封信中，我们提出了一种新的MAMC模型的AMC，提高了准确性和效率与扩展的信号长度，通过结合选择性SSM和降噪单元。在多个数据集上的实验结果表明，与现有模型相比，MAMC模型不仅具有较高的准确率，而且具有较低的时间和空间开销，从而实现了较高的吞吐量.此外，MAMC在较长序列上表现出改进的稳健性。这些结果表明，MAMC在更广泛的物联网场景中具有更高的应用价值。未来的工作包括在AMC内更好地利用SSM，以进一步提高延长信号持续时间的准确性、及时性和稳健性。
