深度学习，用于增强专用于单中继协作 Mimo 5G 系统的 M-Psk 和 M-Qam 波形信号的自动分类

快速阅读: 据《Nature.com》称，7月15日，研究人员提出一种新的AMC方法，适用于5G单中继协作MIMO系统，利用CNN在低信噪比下表现优异，提升分类准确性。该技术还可用于智能电网等场景。

据最新研究报道，7月15日，研究人员提出了一种新的自动调制识别（AMC）方法，适用于单中继协作MIMO 5G系统中的M-PSK和M-QAM信号波形，特别针对接收节点在部分信道状态信息（CSI）和相关信道条件下的实际挑战。研究团队利用接收到的信号中的关键高阶统计特征，如差分非线性相位峰值因子（DNPFP），并通过Gram-Schmidt正交化方法处理这些特征。

研究者对基于卷积神经网络（CNN）的深度学习技术与两种传统基准方法进行了全面对比分析，评估条件设定在低信噪比环境下。评估指标包括正确分类概率、召回率、精确率和F值。实验结果显示，基于CNN的方法在分类准确性上显著优于传统方法，证实了其在部分CSI和相关信道条件下的单中继协作MIMO系统中AMC的有效性。

此外，该AMC模型不仅在无线通信中表现出色，还满足了智能电网和可再生能源系统对低延迟、高可靠性和频谱效率的严格要求。这表明，该研究不仅推动了5G环境下的调制识别技术发展，也为下一代智能电网基础设施的稳定性和实时响应提供了通信保障。

未来，研究团队计划进一步拓展基于深度学习的AMC方法，以应对多普勒扩展和载波频率偏移等问题。

(以上内容均由Ai生成)