6G边缘智能：轻量级深度学习实现电磁信号调制识别

"该文提出了一种基于轻量级深度神经网络的电磁信号调制识别技术，适用于6G时代的边缘智能设备。通过将电磁信号转化为星座图并进行特征增强，利用二值化深度神经网络进行识别，实现了在保证高识别率的同时降低存储和计算成本。在实验中，该方法在不同信噪比下对8种数字调制信号的识别率达到了96.1%，模型大小仅166 KB，执行时间290 ms，对比同等规模的全精度网络，准确率提升且运行时间显著减少。" 本文深入探讨了6G移动通信与人工智能融合背景下的电磁信号处理问题，尤其是针对边缘智能设备的资源限制。作者提出了一种创新的电磁信号调制识别模型，该模型将电磁信号转换为二维图像，具体是星座图，以便更好地提取和理解信号特征。这个过程称为图像具象化，它通过归一化点密度上色来增强信号的特征。 接下来，文章介绍了二值化深度神经网络在识别过程中的应用。这种网络结构简化了传统的深度学习模型，通过二值化权重和激活函数，显著减少了模型的存储需求和计算复杂度，这对于资源受限的边缘设备尤其重要。实验结果显示，即使在信噪比较低（-6至6 dB）的情况下，该模型仍能保持高识别率，达到96.1%，并且其模型大小仅为166 KB，执行时间290毫秒。 与同类全精度网络相比，提出的二值化网络在保持或提高识别准确率的同时，模型大小缩减到了1/26.16，运行时间缩短到了1/2.37，这在资源有限的边缘设备上具有极大的优势。实验选择了8种常见的数字调制信号，包括但不限于ASK、FSK、PSK等，模拟了加性高斯白噪声的信道环境，以验证模型的普适性和鲁棒性。 这项工作为6G时代的边缘智能设备提供了一种高效、轻量级的电磁信号处理方案，有望在未来的移动通信系统中发挥重要作用，推动边缘智能的发展。同时，这种方法也为其他领域的信号处理和模式识别提供了新的思路，特别是在资源受限的环境下。