무선 통신에서 자동 변조 분류 (AMC)는 동시에 많은 도전 과제를 안고 있으며 중요한 역할을 한다. 신호 처리에서 심층 학습 기반의 방법들이 널리 사용되고 있지만, 다양한 채널 조건에서 신호 분포 변화에 대한 도전 과제를 직면하고 있다. 본 논문에서는 시나리오 간 신호 분류를 위한 적응적 전이 프레임워크로서 Frequency Learning Adversarial Networks (FLANs)이라는 네트워크를 제시한다. 이 방법은 스펙트럼 안정성을 활용하며 주파수 적응 기술 (FA)을 도입하여 목표 채널 정보를 소스 도메인 신호에 통합한다. 채널 내 예기치 못한 간섭을 해결하기 위해 채널 적응 맞춤 모듈 (FCA)을 사용하여 채널 환경 변화로 인한 소스 도메인과 목표 도메인 간의 차이를 줄인다. 실험 결과는 FLANs가 선도적인 전이 방법을 능가하며 고신호 대 잡음 비 CSRC2023 다중 시나리오 데이터 세트에서 최대 분류 정확도가 5.2% 증가하였음을 보여준다.

스펙트럼; 생산적 적대 신경망; 지식 전이; 자동 변조 분류; 무선 통신