用于自动调制分类的深度学习：综述

自动调制分类（AMC）是频谱感知、认知无线电和信号情报的关键组成部分，使接收器能够从噪声中识别调制方案的同相和象限（IQ）观测值。传统方法依赖于基于似然的方法或手工特征提取，这在信道损伤和现实世界变异性下常常面临挑战。深度学习的最新进展使得模型能够直接从多种信号表示中学习，包括原始IQ样本、工程特征、时间–频率或星座编码，从而提高在各种信号条件下的适应性。本文对AMC的深度学习方法进行了结构化回顾，包括卷积神经网络（CNN）、递归神经网络/LSTM模型和基于变换器的架构，重点关注性能、鲁棒性和系统级权衡。我们分析了表示选择、数据集设计和评估协议如何影响报告结果，并强调了一些关键挑战，如领域转移、低信噪比环境和多信号干扰。最后，我们概述了未来的方向，重点在于改善泛化能力、将经典信号处理与基于学习的方法整合，以及在现实世界和资源受限的系统中实现高效部署。