论文标题：Enhancing Automatic Modulation Recognition for IoT Applications Using Transformers

论文链接：https://www.mdpi.com/2624-831X/5/2/11

期刊名：IoT

期刊主页：https://www.mdpi.com/journal/IoT

文章导读

在无线通信系统中，物联网（IoT）设备常采用多种调制技术以优化传输速率与带宽利用率，而接收端往往缺乏发送端调制方式的先验信息，因此自动调制识别（AMR）在频谱感知、信号解调及干扰定位中发挥着至关重要的作用。虽然深度学习技术已在AMR领域取得显著进展，但ResNet、DenseNet等主流模型的高计算复杂度与庞大的参数量限制了其在资源受限的边缘设备上的实时应用。针对这一瓶颈，本文提出了一种基于Transformer架构的创新性AMR方法，通过借鉴自然语言处理中的自注意力机制，并针对射频信号特点设计了四种不同的分词（Tokenization）策略，实现了对信号特征的高效捕获。研究通过在RadioML2016.10b和CSPB.ML.2018+等基准数据集上的广泛测试，验证了该模型在低参数量下平衡识别精度与推理效率的卓越能力。如何设计一种既能保持高精度识别，又能在计算资源受限的物联网边缘端实现低延迟、实时运行的自动调制识别架构，是当前无线通信领域亟待解决的关键问题。

图1. 基于Transformer的AMR任务整体架构，包含分词、编码与分类三个核心模块

研究内容与结果

研究团队构建了一套包含分词模块、Transformer编码器与分类器的层次化架构。为了将原始IQ信号有效转化为序列数据，文章提出了四种分词策略：TransDirect、TransDirect-Overlapping、TransIQ及TransIQ-Complex。其中，TransIQ架构通过在自注意力机制前引入一维卷积层，显著增强了系统对信号空间特征的提取能力，使Transformer编码器能够获得更高分辨率的特征图。这种设计利用自注意力机制动态评估不同信号片段的相关性并分配权重，从而精准识别复杂的调制模式。相比于传统的循环神经网络（RNN），该架构支持序列数据的并行处理，大幅缩短了模型在边缘侧的训练与推理耗时，确保了在物联网动态通信环境下的实时响应能力。

实验结果表明，该Transformer架构在识别精度与参数效率方面均表现优异。在RadioML2016.10b数据集上，TransIQ变体的识别性能（F1分数）达到65.75%，而参数量仅为229 K，显著低于拥有数兆参数的传统深层网络。在包含真实环境干扰的CSPB.ML.2018+数据集上，模型识别性能进一步提升至65.80%，且在低信噪比（SNR）条件下展现出极强的鲁棒性。研究人员在NVIDIA Jetson AGX Orin开发套件上对模型进行了实测，结果显示TransIQ小变体的推理延迟低至3.36毫秒/样本，吞吐量高达297.61样本/秒。通过对比混淆矩阵，TransIQ在区分高阶相移键控（PSK）与正交幅度调制（QAM）信号时表现出更低的误判率，有力证明了其在计算开销与识别性能之间的理想平衡，为资源受限的边缘设备部署提供了极具竞争力的技术方案。

图2. ResNet与本文提出的TransIQ模型在CSPB.ML.2018+数据集上的混淆矩阵对比，展示了新模型在减少信号混淆方面的效能

总结和展望

本文通过将Transformer架构引入自动调制识别领域并结合优化的分词策略，成功实现了物联网边缘端信号处理能力的突破。研究证明，自注意力机制在捕获信号时序依赖性方面具有显著优势，能够以较小的计算代价换取超越传统卷积网络的识别表现。这不仅为物联网非协作通信系统提供了高效的解调支持，也为边缘侧智能化治理开辟了新路径。展望未来，研究团队将进一步探索多维度信号表示形式（如相位/频率及时间/频率组合）的集成，并深入研究在少样本或无标签条件下的自监督学习方法。此外，针对大规模分散部署的物联网节点，研究将继续优化模型在分布式环境下的动态负载能力，以应对日益复杂的无线电频谱环境。

期刊简介

主编：Amiya Nayak, University of Ottawa, Canada

IoT (ISSN 2624-831X) 创刊于2020年，发表物联网各个领域的原创论文、综述和快讯等。期刊发文方向包括但不限于：物联网中的人工智能和分析；物联网隐私、安全和信任；物联网网络设计和架构；物联网赋能技术 (包括超低功耗物联网技术)；物联网技术在智能环境中的应用；物联网平台：基于云、网关和雾的物联网解决方案；工业物联网：信息物理系统、SCADA平台、5G及超越；物联网交互：物联网中的增强现实和虚拟现实 (如社交物联网) 等。