A Transformer-Based Contrastive Semi-Supervised Learning Framework for Automatic Modulation Recognition

计算机科学 人工智能 联营 深度学习 卷积神经网络 编码器 变压器 模式识别(心理学) 人工神经网络 分类器(UML) 嵌入 机器学习 监督学习 语音识别 电压 物理 量子力学 操作系统
作者
Weisi Kong,Xun Jiao,Yuhua Xu,Bolin Zhang,Qinghai Yang
出处
期刊:IEEE Transactions on Cognitive Communications and Networking [Institute of Electrical and Electronics Engineers]
卷期号:9 (4): 950-962 被引量:9
标识
DOI:10.1109/tccn.2023.3264908
摘要

The application of deep learning improves the processing speed and the accuracy of automatic modulation recognition (AMR). As a result, it realizes intelligent spectrum management and electronic reconnaissance. However, deep learning-aided AMR usually requires a large number of labeled samples to obtain a reliable neural network model. In practical applications, due to economic costs and privacy constraints, there is a small number of labeled samples but a large number of unlabeled samples. This paper proposes a Transformer-based contrastive semi-supervised learning framework for AMR. First, self-supervised contrastive pre-training of the Transformer-based encoder is completed using unlabeled samples, and data augmentation is realized through time warping. Then, the pre-trained encoder and a randomly initialized classifier are fine-tuned using labeled samples, and hierarchical learning rates are employed to ensure classification accuracy. Considering the problems of applying Transformer to AMR, a convolutional transformer deep neural network is proposed, which involves convolutional embedding, attention bias, and attention pooling. In experiments, the feasibility of the framework is analyzed through linear evaluation of the framework components on the RML2016.10a dataset. Also, the proposed framework is compared with existing semi-supervised methods on RML2016.10a and RML2016.10b datasets to verify its superiority and stability.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
尼莫完成签到,获得积分10
刚刚
熊大完成签到,获得积分10
1秒前
小刘完成签到,获得积分10
2秒前
呆萌老丁完成签到,获得积分10
3秒前
鲸落发布了新的文献求助10
5秒前
聪聪great发布了新的文献求助10
5秒前
大模型应助Adel采纳,获得10
8秒前
10秒前
聪聪great完成签到,获得积分20
10秒前
酵父发布了新的文献求助10
11秒前
15秒前
WYJ发布了新的文献求助10
17秒前
和谐的果汁完成签到 ,获得积分10
17秒前
JIE完成签到,获得积分10
18秒前
ypg666666完成签到,获得积分10
19秒前
科研废物完成签到 ,获得积分10
19秒前
Adel发布了新的文献求助10
19秒前
moon完成签到 ,获得积分10
20秒前
21秒前
转山转水转出了自我完成签到,获得积分10
22秒前
DCW完成签到 ,获得积分10
22秒前
Jasper应助WYJ采纳,获得10
23秒前
Sherlock完成签到,获得积分10
25秒前
大模型应助粉红三倍速采纳,获得10
25秒前
Leone发布了新的文献求助10
27秒前
Hello应助gyh采纳,获得10
28秒前
Orange应助活泼的乐枫采纳,获得10
28秒前
夏岚给夏岚的求助进行了留言
30秒前
奇奇吃面发布了新的文献求助30
31秒前
多摩川的烟花少年完成签到,获得积分10
33秒前
灰鸽舞完成签到 ,获得积分10
33秒前
33秒前
35秒前
研友_VZG7GZ应助mml采纳,获得10
37秒前
37秒前
顾文强发布了新的文献求助30
38秒前
Lucas应助大福采纳,获得10
38秒前
Even9完成签到,获得积分10
39秒前
酵父完成签到,获得积分10
39秒前
40秒前
高分求助中
Sustainability in Tides Chemistry 2800
Kinetics of the Esterification Between 2-[(4-hydroxybutoxy)carbonyl] Benzoic Acid with 1,4-Butanediol: Tetrabutyl Orthotitanate as Catalyst 1000
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Handbook of Qualitative Cross-Cultural Research Methods 600
Very-high-order BVD Schemes Using β-variable THINC Method 568
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3137627
求助须知:如何正确求助?哪些是违规求助? 2788531
关于积分的说明 7787471
捐赠科研通 2444861
什么是DOI,文献DOI怎么找? 1300119
科研通“疑难数据库(出版商)”最低求助积分说明 625814
版权声明 601023