CPU也能跑！深度与经典融合的调制识别新模型FuseAMC

自动调制分类（AMC）是认知无线电中频谱感知和非合作信号识别的基石。长期以来，两种可在CPU上运行的方案各擅胜场：一种是直接处理原始I/Q采样的紧凑卷积神经网络（CNN），另一种是基于高阶累积量特征的经典分类器。但它们很少在信噪比（SNR）条件下被系统比较。近期一项研究揭示，两者实际上互补：CNN在低SNR下明显更鲁棒，而累积量分类器在高SNR下更准确。研究者据此提出FuseAMC，一个轻量级决策融合模型，在RadioML 2016.10a数据集上实现了超越各自基线的性能，且整个流程仅需一个CPU核心即可训练和运行。

互补性从何而来

研究首先在受控条件下对比了两种基准方法。CNN直接学习I/Q时序中的模式，在低SNR区间，当手工统计特征因噪声淹没而趋近随机猜测时，CNN仍能保持可观的分类能力。相反，累积量分类器依赖高阶统计量区分密集星座，在高SNR下表现更优，因为此时高阶矩能清晰分离信号。这种“低SNR看深度模型，高SNR看经典特征”的互补格局，为融合提供了直接动机。

高阶累积量是信号处理中的经典统计工具，用于描述随机过程偏离高斯分布的程度。对于调制信号，二阶累积量（方差）反映功率，四阶累积量可区分不同星座图的形状差异，六阶及以上则能进一步分离密集星座（如16QAM与64QAM）。其关键优势在于：高斯噪声的高阶累积量理论上为零，因此累积量特征对加性高斯白噪声具有天然抑制能力。然而在低信噪比下，有限样本估计的累积量方差急剧增大，特征值被估计噪声淹没，分类器性能迅速退化至随机猜测水平。这正是累积量方法在高SNR下准确、低SNR下失效的根本原因，也构成了与CNN互补的物理基础。

FuseAMC：轻量级决策融合

FuseAMC的核心是一个逻辑回归元组合器，它接收两个子模型的类后验概率拼接作为输入，并在与测试集不相交的验证集上训练。两个子模型分别是约198k参数的残差CNN和梯度提升树（GBT）累积量分类器。整个模型参数量约0.2百万，模型 footprint 仅几兆字节，每帧约3 MFLOPs计算量，因此无需硬件加速，可在通用或嵌入式处理器上以单CPU核心完成训练和推理。

决策融合（decision fusion）与特征融合是两种不同的多模型集成策略。特征融合将不同来源的特征拼接后送入单一分类器，要求特征在语义和尺度上可对齐；而决策融合发生在各子模型独立输出之后，仅对各模型的类后验概率或决策进行组合，子模型可以是异构的、甚至黑箱的。FuseAMC采用的逻辑回归元组合器属于典型的堆叠式（stacking）决策融合：以两个子模型的类后验概率拼接作为元特征，在独立验证集上学习各模型的可靠权重。这种做法计算开销极低——元组合器仅需少量参数——且天然适配CPU部署，同时避免了特征融合中CNN隐层表示与手工累积量特征难以对齐的问题。

实验结果与统计验证

在RadioML 2016.10a数据集上，使用5个随机种子和44k帧的留出测试集，FuseAMC达到55.8%的整体准确率。相比最佳累积量特征基线提升5.1个百分点，相比单独CNN提升3.2个百分点。配对自助法（paired-bootstrap）95%置信区间下界分别为5.0和3.1个百分点，均为正，表明提升具有统计显著性。更关键的是，FuseAMC在高SNR区间匹配了最佳经典基线的性能，在低SNR区间则匹配了CNN的性能——实现了“两头兼顾”。

配对自助法（paired bootstrap）是一种非参数统计推断方法，用于评估两个模型性能差异的显著性。其做法是对测试集的预测结果进行有放回重采样，每次重采样同时计算两个模型在同一批样本上的准确率之差，重复数千次后得到差值的经验分布，进而构造置信区间。与简单的均值比较相比，配对自助法考虑了测试集有限带来的抽样波动，且不依赖正态性假设。文中报告95%置信区间下界均为正（5.0和3.1个百分点），意味着在绝大多数重采样中融合模型都优于基线，提升并非偶然波动所致，这为“融合有效”提供了统计层面的证据。

对边缘部署的意义

这项工作的价值在于，它没有追求更大更深的模型，而是通过融合互补的轻量方法，在CPU友好的约束下取得了显著提升。对于认知无线电、频谱监测等需要实时处理且往往部署在嵌入式平台的场景，FuseAMC提供了一条不依赖GPU的可行路径。同时，它提醒我们，经典特征工程与深度学习并非替代关系，在资源受限时，精心设计的融合策略可能比单一模型更有效。

据该研究，FuseAMC在整体准确率、参数效率和CPU可运行性之间取得了平衡，为自动调制分类的实用化提供了新思路。

RadioML 2016.10a是自动调制分类领域广泛使用的公开基准数据集，由DeepSig发布，包含11种调制类型（如BPSK、QPSK、8PSK、16QAM、64QAM、GFSK等），信噪比覆盖-20dB至+18dB，每帧为128个复采样点（I/Q两路）。该数据集同时包含容易混淆的密集星座和高阶调制，且低SNR样本占比大，因此能有效检验模型在噪声条件下的鲁棒性。需要注意的是，该数据集为合成仿真信号，未涵盖真实信道的多径、频偏和硬件损伤，因此在该数据集上取得的准确率绝对值不宜直接外推到实际部署场景，其价值更多在于方法间的相对比较。