信号处理

作者：王硕, 张骁议, 唐浩, 徐博

关键词：自动调制分类, 归因分析, 注意力机制, 可解释人工智能

在复杂信道环境下，无线通信中的自动调制分类任务对模型的性能和可靠性提出了更高要求。尽管深度学习方法在该任务中取得了显著进展，但其决策过程的“黑箱”特性限制了在关键场景中的应用，且现有自动调制分类模型的优化多依赖于人工经验或“黑箱”探索，缺乏可信依据来指导模型决策和优化。为此，本文提出一种融合归因分析与注意力机制的自动调制分类可信优化方法。具体而言，首先，通过集成梯度和DeepLIFT对模型进行特征归因，量化输入信号幅度/相位及同相/正交通道特征对模型输出的贡献，从而识别对分类结果具有判决力的特征区域，并结合调制信号物理特征验证归因结果的可信性。随后，将可信的归因特征作为注意力权重对原始信号进行加权优化，以提升模型对具有判决力特征区域的响应能力，实现分类性能和可解释性的同步增强。优化过程依托可信归因特征，保证物理特征与模型决策的一致，从而实现模型的可信优化。所设计的优化模块无需改变原有网络结构，保证了方法的通用性与工程可实施性。最后，本文提出了基于信号星座图的可解释性度量指标，通过归因特征与物理特征的对齐分析量化模型的解释能力。实验结果表明，该方法在不改变网络结构的情况下，使卷积神经网络与长短期记忆网络模型的分类准确率分别提升约12%和7%，并实现了关键特征与模型决策的可量化对应。

来源： 2026年第4期

《信号处理》期刊编辑部

查看信号处理杂志 2026年第4期