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
欢呼的棒棒糖完成签到,获得积分10
1秒前
冷酷冬卉发布了新的文献求助10
1秒前
英俊的铭应助Jiawww采纳,获得10
2秒前
王十三发布了新的文献求助10
2秒前
无奈曼云完成签到,获得积分10
2秒前
3秒前
3秒前
乐乐应助Qword采纳,获得10
4秒前
香蕉觅云应助令狐新竹采纳,获得10
4秒前
6秒前
zz完成签到,获得积分10
6秒前
万崽秋秋糖完成签到 ,获得积分10
7秒前
假面绅士发布了新的文献求助10
7秒前
7秒前
无限幻悲完成签到,获得积分0
7秒前
芯止谭轩完成签到,获得积分10
8秒前
10秒前
谦让的南霜完成签到,获得积分10
11秒前
沉静海安完成签到 ,获得积分10
12秒前
冷酷冬卉完成签到,获得积分20
13秒前
假面绅士发布了新的文献求助10
13秒前
Polaris发布了新的文献求助10
14秒前
xjcy应助予秋采纳,获得10
15秒前
陀思妥耶夫斯基完成签到 ,获得积分10
15秒前
木子李发布了新的文献求助10
16秒前
sjie发布了新的文献求助10
17秒前
喻文州完成签到 ,获得积分10
17秒前
18秒前
xjcy应助Lzk采纳,获得10
18秒前
19秒前
PhD-SCAU完成签到,获得积分10
19秒前
20秒前
QQ完成签到 ,获得积分10
21秒前
21秒前
21秒前
调研昵称发布了新的文献求助10
22秒前
俏皮的涵瑶完成签到,获得积分10
22秒前
时尚的冷玉完成签到,获得积分10
23秒前
假面绅士发布了新的文献求助10
23秒前
Wang发布了新的文献求助10
24秒前
高分求助中
The ACS Guide to Scholarly Communication 2500
Sustainability in Tides Chemistry 2000
Studien zur Ideengeschichte der Gesetzgebung 1000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Threaded Harmony: A Sustainable Approach to Fashion 810
Pharmacogenomics: Applications to Patient Care, Third Edition 800
Genera Insectorum: Mantodea, Fam. Mantidæ, Subfam. Hymenopodinæ (Classic Reprint) 500
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 3082716
求助须知:如何正确求助?哪些是违规求助? 2736007
关于积分的说明 7539649
捐赠科研通 2385530
什么是DOI,文献DOI怎么找? 1264933
科研通“疑难数据库(出版商)”最低求助积分说明 612857
版权声明 597685