摘要
通信环境的动态变化导致跨域的显著分布变化，这对基于深度学习的自动调制分类（AMC）模型的泛化能力提出了挑战。现有的无监督域适应（UDA）方法通过对齐源域和目标域特征来缓解这一问题，但对调制特定结构的考虑有限，而这些结构在不同域条件下仍然具有重要信息。
在本文中，我们考虑信号先验知识，这基于通信协议和物理原理，作为增强跨域表示学习的潜在方式。由于不同的先验在调制可区分性、域稳定性和互补性方面可能存在差异，本文首先分析了五种常用的信号表示，它们体现了不同的信号先验。从中选择了相位/正交（IQ）、幅度-相位（AP）和自相关函数（ACF）作为紧凑的先验引导输入。
基于此，提出了一种双重知识与数据驱动网络（DKDNet）用于跨域AMC。设计了多表示特征编码器（MRFE）和动态轻量融合单元（DLFU），以实现统一的表示学习和自适应特征融合，最终的融合特征通过调制分类和对抗域对齐目标进行优化。实验结果表明所选先验的合理性，并展示了所提方法的优越性。
博主点评： DKDNet通过引入信号先验知识，有效提升了跨域自动调制分类的性能，展示了深度学习与传统通信理论结合的巨大潜力。这种方法为未来的研究提供了新的思路，尤其是在处理复杂的通信环境时。