迈向跨域少样本调制分类：一种特征变换图神经网络方法

为什么更智能的无线电很重要

现代生活依赖于不可见的无线电波，从手机和 Wi‑Fi 到雷达与卫星链路。在拥挤的频谱中，设备必须迅速判断它们听到的信号类型，以便解码、避让或干扰该信号。这个任务称为调制识别，当只有少量示例可用且实际环境与开发时看到的情况不同时，尤其困难。本文提出了一种新方法，使机器即使在数据稀缺且条件发生变化时，也能可靠地学习识别无线信号类型。

无线电如何“以不同口音说话”

每个无线系统都通过一种调制方式来“说话”——通过改变载波的幅度、相位或频率来承载信息。传统算法试图用人工设计的公式来识别这些方式，但这些方法繁琐且在当今繁忙、噪声大的频谱中常常失效。深度学习通过让神经网络直接从原始正交（I/Q）样本中学习模式，改善了这一点。然而，这类网络通常需要数百万标注样本，并且在遇到训练数据之外的新信号类型或新的信道条件时容易失准。

仅凭少量示例学习

为了模仿人类仅凭少次观察就能学会新概念的能力，作者基于少样本学习的思想展开。系统不是一次训练一个大型分类器，而是通过许多小“情节”进行训练，每个情节类似一个微小的识别问题：一个带标签的小支持集和一个无标签的查询集。通过反复解决从已知调制类型抽取出的这些微型任务，模型学会如何迅速适应尚未见过的新类型。问题在于，在无线电领域，新信号类别往往在统计上与旧类别不同，产生内在的不匹配或域偏移，而标准的少样本方法并不擅长处理这种情况。

将无线波形变成图像

本文的第一个关键想法是将一维信号轨迹转换为更丰富、类似图像的表示，便于神经网络分离。作者没有直接输入原始 I/Q 样本，而是结合了三种互补视图：突出幅度与相位聚类的极坐标星座图、强调随时间的长程关系的 Gramian 视图，以及捕捉信号状态相互跟随关系的马尔可夫视图。每一种视图都产生一个方形图案；像照片中的颜色通道一样把它们堆叠在一起，就为每个短时信号片段形成了复合图像。该设计放大了不同调制风格间的差异，使得较简单的神经网络也能将其区分开来。

在变化条件下温和重塑特征

第二项创新是在紧凑的卷积特征提取器中插入了一组按特征维度变换的层。当来自新环境的信号通过这些层时，它们可以温和地重新缩放并偏移整个特征图，将其调整到网络已从熟悉信号类型学到的模式上。在训练过程中，已知类别被进一步划分为“伪见过（pseudo‑seen）”和“伪未见（pseudo‑unseen）”子集。核心提取器和基于图的分类器在伪见过部分上进行调优，而变换层则专门针对修正伪未见部分的性能进行调优。这种元训练方案不仅教会网络识别特定调制，还教会它在标签集变化时修复自身的特征。

让信号彼此协助分类

最后，该方法使用图神经网络来利用每个情节中少量有标签样本与大量无标签样本之间的关系。每个信号成为一个节点，与特征相似的其他信号连接更强。通过沿这些连接进行多轮信息传递，标签信息从支持集扩散到查询集，使得处于某已知类型紧密簇中的无标签信号被推动向该类别靠拢。在两个标准合成无线电基准数据集上的测试表明，这种组合方法——类似图像的输入、可调整的特征层与基于图的推理——在多种流行的少样本基线和最近的专门竞品之上稳居优势，常常在只使用每类少量标注样本的情况下提高数个百分点的准确率。

这对未来无线系统的意义

简而言之，这项工作展示了如何构建一个能够快速学习新信号“方言”并在无线环境变化时保持可靠的无线电“听众”，而无需在大量新数据上重新训练。通过巧妙地将波形转为图像、调整内部特征以弥合旧有与新出现条件之间的差距，并让信号通过图结构相互投票，该系统更接近人类般的适应能力。随着空域变得愈加繁忙且不可预测，此类技术可使频谱监测、电子战与下一代认知无线电更具灵活性与鲁棒性。

引用: Shi, Y., Xu, H., Qi, Z. et al. Towards cross-domain few-shot modulation classification: a feature transformation graph neural network approach. Sci Rep 16, 8706 (2026). https://doi.org/10.1038/s41598-026-43563-z

关键词: 无线信号, 少样本学习, 图神经网络, 调制识别, 域偏移