Radar mondial UDTR

UDTR — Radar mondial des droits de la Nature

Registre documentaire des références détectées à travers les infrastructures académiques, juridiques et institutionnelles surveillées par UDTR.

Une infrastructure documentaire mondiale conçue pour atteindre la couverture la plus large, vérifiable et scientifiquement défendable des droits de la Nature.

← Retour au Radar

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

Signaler une correction

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.

UDTR — Bibliothèque juridique mondiale des droits de la Nature