MicroSSM:面向边缘部署的轻量化状态空间自动调制识别模型
《Algorithms》:MicroSSM: A Lightweight State-Space Model for Automatic Modulation Classification
【字体:
大
中
小
】
时间:2026年10月22日
来源:Algorithms 2.6
摘要
自动调制识别(AMC)是认知无线电和频谱监测中的核心任务。主流基于深度学习的AMC模型通常包含数十万至数百万个参数,难以部署在资源受限的边缘设备上。本工作提出了一种用于自动调制识别的轻量化状态空间模型MicroSSM。MicroSSM将信号处理分解为三个功能独立的阶段:一个可学习的软阈值模块在输入阶段执行自适应去噪;一个四层小核一维卷积神经网络(1D CNN)以极少的参数量提取局部时频特征;一个层次化状态空间双通道模块(HSMSSD)通过基于softmax归一化的离散状态选择机制,以线性复杂度执行全局时序建模。与依赖连续时间离散化的Mamba系列模型不同,HSMSSD通过这种softmax归一化的离散选择来选取状态,从而避免了连续时间参数化在短序列上的映射开销。三个模块的容量由一个统一的缩放因子共同调节,使模型变体的参数量跨越两个数量级。在RML2016.10B数据集上,2.3K参数的变体达到了61.63%的准确率,扩展至133.5K参数时准确率提升至64.13%;在RML2016.10A数据集上也观察到一致的结果,而MicroSSM的2D网格扩展在长序列、多类别的HisarMod2019.1数据集上达到了87.86%的准确率。消融实验证实了各模块的有效性,并表明模型扩展的边际收益急剧衰减:MicroSSM在低参数窗口内即可实现准确率提升,更大的变体在边缘部署中并不具有成本效益。最后,MicroSSM被部署在树莓派4B上,在真实的433.92 MHz射频链路上实现了亚毫秒级的单样本推理延迟,验证了该模型在资源受限边缘设备上的可行性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号