无线标准的日益多样化以及现实世界中复杂的信道效应，使得自动调制分类（AMC）在频谱监测和边缘智能领域面临越来越大的挑战。然而，大多数极具竞争力的基于深度学习的 AMC 网络仍需要 105–106 个参数，超出了资源受限边缘平台的可用内存。我们提出了 LGP-Net，一种轻量级门控融合网络，将物理启发专家分支与由深度可分离卷积（DSConv）、挤压-激励（SE）注意力机制以及单层门控循环单元（GRU）构建的紧凑时间编码器相结合。具体而言，与其他直接拼接两条路径输出的双分支结构不同，本工作设计了一个轻量级门控单元，该单元无需外部信噪比（SNR）标签，并能根据信号质量劣化自适应地重新对两条路径进行加权。LGP-Net 的参数量少于 40 K，峰值激活占用空间为 26.00 KB，在 GPU 加速下的单样本均摊推理延迟为 9.7 μs，在 RadioML 2016.10B 上实现了 65.00% 的总体准确率（在 0 dB 下为 91.48%），在 RadioML 2016.10A 上实现了 62.76% 的总体准确率，相比参数量多 5× 至 500× 的架构处于极具竞争力的准确率-效率区间。这些特性为内存受限边缘环境和高吞吐量频谱监测流程下的部署可行性提供了有力支持。
Liu et al. (Sat,) 对这一问题进行了研究。