مقاله یادگیری تباینی مبتنی بر سازگاری مدولاسیون برای طبقه‌بندی خودکار مدولاسیون خودنظارتی
,

مقاله یادگیری تباینی مبتنی بر سازگاری مدولاسیون برای طبقه‌بندی خودکار مدولاسیون خودنظارتی

تومان249,950

روش‌های یادگیری عمیق برای تشخیص مدولاسیون (AMC) به عملکرد چشمگیری دست یافته‌اند، اما استقرار عملی آن‌ها همچنان با هزینه بالای داده‌های برچسب‌دار محدود می‌شود. اگرچه یادگیری خودنظارتی (SSL) وابستگی به …

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000170 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

یادگیری تباینی مبتنی بر سازگاری مدولاسیون برای طبقه‌بندی خودکار مدولاسیون خودنظارتی

Modulation Consistency-based Contrastive Learning for Self-Supervised Automatic Modulation Classification

نویسندگان: Chenxu Wang, Shuang Wang, Lirong Han, Xinyu Hu, Hanlin Mo, Hantong Xing, Licheng Jiao

شناسه منبع: arxiv / 2605.11875

دسته: Signal Processing,Artificial Intelligence

چکیده (فارسی)

روش‌های یادگیری عمیق برای تشخیص مدولاسیون (AMC) به عملکرد چشمگیری دست یافته‌اند، اما استقرار عملی آن‌ها همچنان با هزینه بالای داده‌های برچسب‌دار محدود می‌شود. اگرچه یادگیری خودنظارتی (SSL) وابستگی به برچسب‌ها را کاهش می‌دهد، روش‌های موجود مبتنی بر SSL اغلب به اهداف پیش‌فرض غیرمرتبط با وظیفه تکیه می‌کنند که با طبقه‌بندی مدولاسیون همسو نیستند و منجر به نمایش‌هایی می‌شوند که با عوامل مزاحم مانند نماد، کانال و نویز در هم تنیده‌اند. در این مقاله، ثبات مدولاسیون درون نمونه‌ای را به عنوان یک اولویت ساختاری آگاه از وظیفه شناسایی می‌کنیم؛ به موجب آن، بخش‌های زمانی مختلف از یک سیگنال یکسان ممکن است در شکل موج متفاوت باشند اما نوع مدولاسیون یکسانی را حفظ کنند، بنابراین یک سرنخ اصولی برای خودنظارتی همسو با وظیفه فراهم می‌آورد. بر اساس این اولویت، ما Mod-CL، یک چارچوب یادگیری تقابلی مبتنی بر ثبات مدولاسیون را پیشنهاد می‌کنیم که جفت‌های مثبت را از بخش‌های زمانی مختلف یک نمونه سیگنال واحد می‌سازد تا مدل را تشویق کند اطلاعات مدولاسیون مشترک را بیاموزد و در عین حال از تغییرات مزاحم جلوگیری کند. ما همچنین یک هدف تقابلی متناسب با Mod-CL توسعه می‌دهیم که به طور مشترک از بخش‌بندی زمانی و افزایش داده‌ها بهره می‌برد تا نماهایی را که دارای معناشناسی مدولاسیون یکسان هستند به هم نزدیک کند و در عین حال از تداخل نظارتی در هر نمونه سیگنال جلوگیری نماید. آزمایش‌های گسترده بر روی مجموعه داده‌های RadioML نشان می‌دهد که Mod-CL به طور مداوم از روش‌های پایه قوی، به ویژه در رژیم‌های کم‌برچسب، عملکرد بهتری دارد و بهبود قابل توجهی در دقت کاوش خطی (linear probing) به دست می‌آورد.

Abstract (English)

Deep learning-based AMC methods have achieved remarkable performance, but their practical deployment remains constrained by the high cost of labeled data. Although self-supervised learning (SSL) reduces the reliance on labels, existing SSL-based AMC methods often rely on task-agnostic pretext objectives misaligned with modulation classification, leading to representations entangled with nuisance factors such as symbol, channel, and noise. In this paper, we identify intra-instance modulation consistency as a task-aware structural prior, whereby different temporal segments of the same signal may differ in waveform while preserving the same modulation type, thus providing a principled cue for task-aligned self-supervision. Based on this prior, we propose Mod-CL, a Modulation consistency-based Contrastive Learning framework that constructs positive pairs from different temporal segments of the same signal instance, to encourage the model to learn shared modulation information while suppressing nuisance variations. We further develop a contrastive objective tailored to Mod-CL, which jointly exploits temporal segmentation and data augmentation to pull together views sharing the same modulation semantics while avoiding supervisory conflicts within each signal instance. Extensive experiments on RadioML datasets show that Mod-CL consistently outperforms strong baselines, especially in low-label regimes, achieving substantial improvements in linear probing accuracy.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله یادگیری تباینی مبتنی بر سازگاری مدولاسیون برای طبقه‌بندی خودکار مدولاسیون خودنظارتی”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا