Automatic Modulation Classification Based on Efficient Multimodal Feature Fusion

Der Artikel untersucht die Fortschritte bei der Automatischen Modulationsklassifizierung (AMC) für drahtlose Kommunikationstechnologien und konzentriert sich dabei auf die Herausforderungen, die von der dichten und dynamischen Umgebung des elektromagnetischen Spektrums ausgehen. Es stellt ein neuartiges multimodales Rahmenwerk vor, MMF-GNN, das ein Graph Neural Network (GNN) für die hochentwickelte Funktionsfusion nutzt. Das Rahmenwerk umfasst drei spezialisierte Zweige zur Extraktion von Signaleigenschaften: einen adaptiven Wellentransformationszweig für zeitliche Frequenzmerkmale, einen bidirektionalen Mamba-Zweig (Bi-Mamba) für zeitliche Dynamik und einen multirezeptiven Feld-Faltungszweig für räumliche Muster von Contour Stella Images (CSI). Der Artikel validiert MMF-GNN auf dem RML2016.10a Datensatz und erreicht eine überlegene Klassifizierungsgenauigkeit von 63,26%. Außerdem vergleicht es MMF-GNN mit anderen hochmodernen Modellen und demonstriert so seinen beträchtlichen Vorteil, insbesondere bei niedrigen Signal-Rausch-Verhältnissen. Die Ablationsstudie untermauert zudem die Wirksamkeit des vorgeschlagenen Moduls Heterogeneous Graph Fusion (HGF), das einen wesentlichen Vorteil gegenüber naiver Feature-Verkettung bietet. Die Analyse der Verwirrungsmatrix unterstreicht die überlegene Fähigkeit von MMF-GNN, Verwirrungen zwischen spektralähnlichen Klassen wie QAM16 und QAM64 zu mildern. Der Artikel schließt mit der Anerkennung der Beschränkungen der Studie und dem Vorschlag zukünftiger Arbeiten zur Verbesserung der Robustheit von AMC unter realistischeren und vielfältigeren Bedingungen.