無線通信における自動変調分類（AMC）は、多くの課題を抱えつつも重要な役割を果たしています。信号処理において深層学習ベースの手法が広く使用されていますが、様々なチャネル条件下での信号分布の変化に直面しています。本論文では、シナリオ間の信号分類のための適応転移フレームワークとして、Frequency Learning Adversarial Networks（FLANs）というネットワークを紹介します。この方法は、スペクトルの安定性を活用し、頻度適応（FA）技術を導入して、目標チャネル情報をソースドメイン信号に統合します。予期せぬチャネル内干渉を解消するために、チャネル適応調整モジュール（FCA）を使用して、チャネル環境の変化に起因するソースドメインと目標ドメインの間の差異を減少させます。実験結果は、FLANsが既存の先進の転送手法を上回り、高信号対雑音比CSRC2023マルチシナリオデータセットで最大の分類精度が5.2％向上したことを示しています。

スペクトル; 生成的対立ネットワーク; 知識転送; 自動変調分類; 無線通信