مدل ترکیبیِ کم‌هزینه، تشخیص نوع مدولاسیون را روی یک هستهٔ CPU بهبود می‌دهد

پژوهشگران در پیش‌چاپی در arXiv مدلی به نام FuseAMC معرفی کرده‌اند که دو روش تشخیص خودکار نوع مدولاسیون را با هم ترکیب می‌کند: یک شبکهٔ عصبی کانولوشنی کوچک که نمونه‌های خام I/Q را تحلیل می‌کند و یک طبقه‌بند کلاسیک مبتنی بر cumulantهای مرتبه‌بالا. هدف، تشخیص نوع سیگنال رادیویی بدون نیاز به سخت‌افزار شتاب‌دهنده است.

بر اساس چکیدهٔ پژوهش، CNN در نسبت سیگنال به نویز (SNR) پایین مقاوم‌تر است؛ در این شرایط، آمارهای دست‌سازِ روش کلاسیک به عملکرد نزدیک به حد شانس افت می‌کنند. در SNR بالا، طبقه‌بند cumulant دقیق‌تر است و می‌تواند صورت‌بندی‌های متراکم را بهتر از هم جدا کند. FuseAMC با یک ترکیب‌گر رگرسیون لجستیک، خروجی‌های احتمالاتی دو طبقه‌بند را ادغام می‌کند. این ترکیب‌گر روی مجموعهٔ اعتبارسنجیِ جدا از آزمون آموزش دیده است.

در ارزیابی روی RadioML 2016.10a، با پنج seed و مجموعهٔ آزمونِ جداگانه شامل ۴۴ هزار فریم، FuseAMC به دقت کلی ۵۵٫۸ درصد رسید؛ ۵٫۱ واحد درصد بهتر از بهترین خط پایهٔ مبتنی بر ویژگی‌های cumulant و ۳٫۲ واحد درصد بهتر از CNN به‌تنهایی. نویسندگان همچنین گزارش می‌کنند که فاصلهٔ بهبود در بازه‌های اطمینان bootstrap جفت‌شدهٔ ۹۵درصدی مثبت بوده است. مدل در ناحیهٔ SNR بالایی که روش کلاسیک قوی‌تر است، عملکرد آن را حفظ می‌کند و در SNR پایین نیز با CNN برابری می‌کند.

کل سامانه حدود ۰٫۲ میلیون پارامتر دارد، چند مگابایت فضا می‌گیرد و برای هر فریم حدود ۳ میلیون عملیات ممیز شناور نیاز دارد. طبق مقاله، آموزش و اجرا روی یک هستهٔ CPU ممکن است. این کار در arXiv منتشر شده و در چکیدهٔ آن آمده است که مقاله در کنفرانس AIAHPC 2026 پذیرفته شده است.