基于改进深度可分离复值网络的开集调制识别方法

来源：电子测量技术杂志2026年第7期北京时间：

作者：洪青青，张治中

单位：南京信息工程大学电子与信息工程学院 南京 210044

摘要：近年来，调制识别作为无线通信信号处理中的关键技术，在复杂开放环境下面临开集识别能力不足以及深度学习模型对输入相关性利用有限等挑战。针对上述问题，本文提出了一种基于改进深度可分离复值网络的开集调制识别方法。具体而言，该方法在深度可分离复值网络结构中引入多维注意力机制，有效挖掘信号幅度与相位之间的关联特征，并通过解码器辅助特征提取，实现多损失融合优化，包括平滑标签交叉熵、动态中心约束及重构误差，提升特征分布区分性和模型泛化能力。在公共数据集RadioML2016.10a上的实验表明，该方法在闭集识别任务中对已知类别的分类准确率达到95%，在开集识别场景下，已知类别的识别准确率为93%，未知类别的检测率为86%，整体开集识别性能为89%。上述结果展现出优异的开放环境适应能力。

关键词：深度可分离复值网络;开集识别;复值注意力;多维损失