arXiv cs.AI· Zhiyi Yin, Zhizhao Wen, Ruoxin Zhang, Chao Wang, Puyang Xu, Yifan Jiang, Yusi Gong·· 11 小时前AI 评分18
FuseAMC：融合CNN与累积量分类器的CPU高效调制识别决策融合模型
Deep Meets Classical: A CPU-Efficient Decision-Fusion Model for Automatic Modulation Classification
AI 导读
FuseAMC 将约 198k 参数的残差 CNN 与梯度提升树累积量分类器的类别后验拼接，用逻辑回归元组合器做决策融合，在 RadioML 2016.10a 的 44k 帧留出测试集上达到 55.8% 总体准确率，比最佳累积量特征基线高 5.1 个百分点、比单独 CNN 高 3.2 个百分点。
正文 · AI 翻译
摘要：自动调制分类（AMC）是认知无线电中频谱感知和非合作信号识别的基础，然而其两种标准的、可在 CPU 上实现的方法——在原始同相和正交（I/Q）样本上运行的紧凑卷积神经网络（CNN）与经典的高阶累积量特征分类器——很少在给定信噪比（SNR）的条件下进行相互比较。我们表明，它们实际上是互补的：CNN 在低 SNR 下明显更稳健，此时手工设计的统计量趋于随机；而累积量分类器在高 SNR 下更准确，此时高阶统计量能清晰地区分密集星座。我们利用这种互补性提出了 FuseAMC，这是一种轻量级决策融合模型，在与测试集不相交的验证集上，对一个约 198k 参数的残差 CNN 和一个梯度提升树累积量分类器的拼接类别后验训练逻辑回归元组合器。在 RadioML 2016.10a（5 个种子，44k 帧留出测试集）上，FuseAMC 达到 55.8% 的总体准确率，比最佳累积量特征基线提高 5.1 个百分点，比单独的 CNN 提高 3.2 个百分点（配对自助法 95% 置信区间下界分别为 5.0 和 3.1 个百分点，均为正值），同时在其自身强势的高 SNR 区间与最佳经典基线持平，在其强势的低 SNR 区间与 CNN 持平。该模型约有 0.2 百万参数，模型占用仅几兆字节，每帧约 3 MFLOPs，整个流程在单个 CPU 核心上训练和运行，面向无硬件加速的通用和嵌入式处理器。
| 评论： | 5 页，2 幅图，5 张表。已被 2026 第六届人工智能、自动化与高性能计算国际会议（AIAHPC）接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.05937 [cs.LG] |
| （或 arXiv:2611.05937v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.05937 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Zhiyi Yin [查看电子邮件]
[v1]
2026 年 11 月 4 日星期三 04:25:29 UTC（107 KB）
来源：arXiv cs.AI · arxiv.org