Die automatische Modulationsklassifizierung (AMC) in der drahtlosen Kommunikation ist sowohl eine Herausforderung als auch von entscheidender Bedeutung. Obwohl Methoden auf Basis des tiefen Lernens in der Signalverarbeitung weit verbreitet sind, stehen sie vor der Herausforderung von Veränderungen in der Signalverteilung, insbesondere unter verschiedenen Kanalbedingungen. Dieser Artikel stellt ein auf adaptivem Transfer basierendes Framework vor, das als Frequency Learning Adversarial Networks (FLANs) zur Klassifizierung von Signalen zwischen Szenarien bezeichnet wird. Diese Methode nutzt die spektrale Stabilität und führt die Frequenzanpassungstechnologie (FA) ein, um die Zielkanalinformationen in das Quellbereichssignal zu integrieren. Zur Bewältigung unerwarteter Störungen im Kanal wird ein angepasstes Kanaladaptationsmodul (FCA) eingesetzt, um die Unterschiede zwischen dem Quell- und Zielbereich aufgrund von Änderungen der Kanalumgebung zu verringern. Die Ergebnisse der Experimente zeigen, dass FLANs führende vorhandene Transfermethoden übertreffen und die maximale Klassifizierungsgenauigkeit um 5,2 Prozentpunkte auf dem CSRC2023-Multi-Szenen-Datensatz mit hoher Signal-Rausch-Verhältnis erhöht.

Spektrum; Generative Gegennetzwerke; Wissenstransfer; Automatische Modulationsklassifizierung; Drahtlose Kommunikation