EvoAMC: Evolutionary Fusion with Knowledge Learning for Automatic Modulation Classification
Identification
- Clé publique
- radar:r-cd816ba400a6825a0f947a6647a330d4
- Auteurs
- Xinyan Liang · Xin Tang · Dongning Li · Yuhua Qian · Jinpeng Yuan · Ke Tang · Linjie Zhang · Yaohui Zheng
- Année déclarée
- 2026
- Langue déclarée
- en
- Type source
- article
- Première détection
- 2026-11-14T02:45:52.452452+00:00
- Dernière observation des métadonnées
- 2026-11-14T02:45:52.452452+00:00
- Dernière vérification HTTP
- Non effectuée
Institutions déclarées par la source
Shanxi University · Southern University of Science and Technology
Pays d’affiliation déclarés
CN
Résumé documentaire — langue originale
Automatic Modulation Classification (AMC) plays a critical role in spectrum sensing and cognitive radio. Although deep learning has greatly advanced AMC, most methods still struggle under low signal-to-noise ratio (SNR) conditions. Multi-view fusion provides complementary information for more robust signal classification, yet existing approaches typically rely on fixed, task-independent fusion strategies. Evolutionary fusion can automatically explore fusion strategies, but it often produces candidate individuals whose quality is highly uneven, leading to unnecessary computational cost on low-value fusion strategies. To address these limitations, we propose EvoAMC, an evolutionary fusion with knowledge learning method for AMC. EvoAMC produces multiple candidate offspring in each iteration, allowing the search to explore more possible fusion structures. We also utilize a Graph Convolutional Network (GCN)-based knowledge library model, which mines historical architecture-performance knowledge and transfers it across generations, to filter out unpromising candidates before training and guide the evolutionary process. Experiments show that EvoAMC achieves better accuracy under low-SNR conditions and a smaller parameter size, outperforming compared multi-view methods in both effectiveness and efficiency.
Identifiants
- OPENALEX
- https://openalex.org/W7223101668
- DOI
- 10.1109/tevc.2026.3745119
Repères documentaires
- Famille documentaire
- article
- Types déclarés par les sources
- article
- Éditeurs
- Institute of Electrical and Electronics Engineers
Les mentions d’entités ne constituent pas une preuve de reconnaissance juridique. La juridiction étudiée est distincte du pays d’affiliation des auteurs.
Sources
OpenAlex · Document 1
Citer cette référence
Xinyan Liang; Xin Tang; Dongning Li; Yuhua Qian; Jinpeng Yuan; Ke Tang; Linjie Zhang; Yaohui Zheng. EvoAMC: Evolutionary Fusion with Knowledge Learning for Automatic Modulation Classification. 2026. https://doi.org/10.1109/tevc.2026.3745119
JSON · CSL-JSON · BibTeX · RIS · CSV · JSON-LD ·
APA, Chicago, ISO 690 : formats bibliographiques fondés sur les champs disponibles. OSCOLA / Bluebook : données structurées uniquement ; aucune conformité juridique complète n’est revendiquée sans vérification des éléments nécessaires.
- APA
- Xinyan Liang; Xin Tang; Dongning Li; Yuhua Qian; Jinpeng Yuan; Ke Tang; Linjie Zhang; Yaohui Zheng. (2026). EvoAMC: Evolutionary Fusion with Knowledge Learning for Automatic Modulation Classification. https://doi.org/10.1109/tevc.2026.3745119
- Chicago
- Xinyan Liang; Xin Tang; Dongning Li; Yuhua Qian; Jinpeng Yuan; Ke Tang; Linjie Zhang; Yaohui Zheng. EvoAMC: Evolutionary Fusion with Knowledge Learning for Automatic Modulation Classification. 2026. https://doi.org/10.1109/tevc.2026.3745119
- ISO 690
- Xinyan Liang; Xin Tang; Dongning Li; Yuhua Qian; Jinpeng Yuan; Ke Tang; Linjie Zhang; Yaohui Zheng. EvoAMC: Evolutionary Fusion with Knowledge Learning for Automatic Modulation Classification. 2026. https://doi.org/10.1109/tevc.2026.3745119
Warning: Undefined array key "last_link_verified" in /home/clients/e27d81e12f04d2bfd747aa264540ac56/sites/_UDTR_APP/legal_library_reference.php on line 31
UDTR — Bibliothèque juridique mondiale des droits de la Nature. EvoAMC: Evolutionary Fusion with Knowledge Learning for Automatic Modulation Classification. Notice documentaire: https://www.declarationuniverselledesdroitsdelarbre.org/global-rights-of-nature-radar/reference/r-cd816ba400a6825a0f947a6647a330d4/ · Dernière vérification HTTP : non effectuée
Données de cette version figée
Dossiers et relations documentaires
Rôles des sources
Source bibliographique / publication d’origine · https://doi.org/10.1109/tevc.2026.3745119
Un lien vers une autorité ne prouve pas à lui seul une affirmation juridique. Les résumés et les textes intégraux restent soumis aux conditions de leur source.
Statut documentaire
Pertinence à examiner
Bibliothèque
Cette identité n’est pas encore intégrée à la Bibliothèque juridique.