基于改进Kolmogorov-Arnold混合卷积神经网络的调制识别方法

来源：电子与信息学报杂志2025年第8期北京时间：

作者：郑庆河, 刘方霖, 余礼苏, 姜蔚蔚, 黄崇文, 李斌, 束锋

单位：1.山东管理学院智能工程学院 济南 2503572.南昌大学信息工程学院 南昌 3300313.北京邮电大学信息与通信工程学院 北京 1008764.浙江大学信息与电子工程学院 杭州 3100585.南京信息工程大学计算机学院 南京 2100446.海南大学信息与通信工程学院 海口 570228

摘要：针对苛刻通信场景下调制方式识别精度低且泛化难的问题，该文提出一种改进Kolmogorov-Arnold混合卷积神经网络模型KA-CNN。首先，通过双树复小波包变换将信号分解至多维小波域，结合不同频率分量构建多尺度信号表征，促使神经网络模型学习各频率下的一致性特征；然后设计集成样条函数和非线性激活函数的深度学习结构，利用样条函数解决维度诅咒问题，增强周期性特征的持续学习能力；最后，采用Lipschitz正则化约束的多级网格训练，改善模型面对不同信号参数的适应性，增强跨通信场景的泛化能力。在公开数据集RadioML 2016.10a, RadioML 2018.01a和CSPB.ML.2023的实验表明，KA-CNN具有优异的调制识别精度，当信噪比在16 dB时能够取得90%以上的识别准确率。相较于其它深度学习方法，整体识别精度提升3%～10%，并在各种信噪比条件下具备更强的特征学习能力和泛化性。

关键词：调制识别, 深度学习, Kolmogorov-Arnold模型, 卷积神经网络

基金资助：国家重点研发计划(2018YFF01014304)，国家自然科学基金(62401070)，山东省重点研发计划(2024TSGC0055)，山东省自然科学基金(ZR2019ZD01, ZR2023QF125)，山东省高等学校青年创新团队计划(2024KJH005)