这篇文档属于类型a，即报告了一项原创性研究的学术论文。以下是基于文档内容的学术报告：
主要作者及研究机构
本研究的主要作者包括Duan Ruifeng、Zhao Yanhui、Zhang Haiyan、Li Xinze、Cheng Peng和Li Yonghui。他们分别来自北京林业大学信息科学与技术学院、国家林业和草原局林业智能信息处理工程研究中心、澳大利亚拉筹伯大学计算机科学与信息技术系以及澳大利亚悉尼大学电气与信息工程学院。该研究于2024年10月发表在《China Communications》期刊上，卷号为21，期号为10，页码为132-147，DOI为10.23919/jccja.2022—0270。
学术背景
本研究的主要科学领域是认知无线电通信中的自动调制分类（Automatic Modulation Classification, AMC）技术。随着5G和物联网（Internet of Things, IoT）技术的快速发展，频谱资源日益稀缺，认知无线电技术成为提高频谱利用效率的有效手段。AMC技术能够自动识别接收信号的调制方式和参数，是实现动态频谱分配（Dynamic Spectrum Allocation, DSA）和频谱共享（Spectrum Sharing, SS）的关键技术之一。传统的AMC方法主要基于似然比（Likelihood Ratio, LR）和特征提取（Feature Extraction, FE），但这些方法存在计算复杂度高、鲁棒性差等问题。近年来，基于深度学习的AMC技术因其在分类准确性和鲁棒性方面的优越表现而受到广泛关注。本研究的目的是提出一种新型的高分辨率卷积神经网络（High-Resolution Convolutional Neural Network, HRSNet），通过多尺度特征融合和特征挤压-激励模块（Squeeze and Excitation Module, SE）来提高AMC的分类准确性。
研究流程
本研究的主要流程包括以下几个步骤：
1. 模型设计：提出了HRSNet模型，该模型通过多层卷积操作建立了多分辨率特征图的并行计算机制，有效减少了由下采样卷积引起的信息丢失。同时，通过在同一分辨率下的密集跳跃连接（Dense Skip-Connection）和不同分辨率下的上采样或下采样连接，同时提取并融合了深层特征图的低分辨率表示和浅层特征图的高分辨率表示。最后，在解码器中嵌入了特征挤压-激励模块，通过调整通道间的响应权重进一步提高了分类准确性。
2. 数据集选择：使用了公开数据集“Over the Air”（OTA）作为实验的基准数据集。该数据集包含了24种标准调制方法，每种调制方法在26种信噪比（SNR）条件下（从-20dB到30dB，间隔为2dB）生成了4096条双通道IQ数据。
3. 模型训练与测试：在PyTorch深度学习框架下进行实验，使用Python3作为开发语言。优化器采用默认的Adam算法，训练轮次设置为60个epoch，每个mini-batch的大小为1024。初始学习率为1e-3，每20个epoch减少0.1倍。
4. 性能评估：通过分类准确率、模型参数数量、乘法次数和推理时间等指标对HRSNet的性能进行了全面评估，并与现有的AMC深度网络模型（如ResNet、MCNet、LWNet和MSN）以及传统的机器学习算法（如KNN、DT和SVM）进行了对比。
主要结果
1. 分类准确率：HRSNet在OTA数据集上的分类准确率显著优于现有的AMC深度网络模型。在SNR为4dB和10dB时，HRSNet的分类准确率分别达到了85.36%和97.30%，比LWNet分别提高了9.71%和5.82%。在SNR为2dB和8dB时，HRSNet的分类准确率分别为72.83%和96.81%。
2. 模型复杂度：HRSNet的模型参数数量为276K，乘法次数为1.4G，推理时间为1.2ms，处于中等水平。尽管HRSNet的模型参数数量和乘法次数较高，但由于其核心层主要采用多通道并行卷积计算，推理时间显著低于LWNet。
3. 高阶调制分类性能：HRSNet在高阶调制分类方面表现尤为突出。在SNR为10dB时，128QAM和256QAM的分类准确率分别达到了99.25%和93.47%，显著优于现有的其他模型。
结论
本研究提出的HRSNet模型通过多分辨率特征融合和特征挤压-激励模块，显著提高了AMC的分类准确性，特别是在高阶调制分类方面表现优异。HRSNet不仅在高SNR条件下表现出色，在低SNR条件下也具有良好的鲁棒性。此外，HRSNet的模型复杂度适中，推理时间较短，适用于实际通信环境中的应用。本研究为认知无线电通信系统中的信号调制分类提供了一种高效、准确的解决方案，具有重要的科学价值和实际应用价值。
研究亮点
1. 高分辨率特征提取：HRSNet通过多分辨率特征融合机制，有效减少了由下采样引起的信息丢失，显著提高了分类准确性。
2. 特征挤压-激励模块：在解码器中嵌入的特征挤压-激励模块通过自适应注意力机制调整通道权重，进一步提升了模型的分类能力。
3. 高性能与低复杂度：HRSNet在分类准确率和模型复杂度之间取得了良好的平衡，适用于实际通信系统中的应用。
4. 广泛适用性：HRSNet不仅在OTA数据集上表现优异，在OFDM数据集上也展现了强大的泛化能力，适用于多种通信场景。
其他有价值的内容
本研究还通过消融实验验证了多分辨率特征融合和特征挤压-激励模块对分类准确率的贡献。实验结果表明，多分辨率特征融合对分类准确率的提升更为显著，而特征挤压-激励模块则进一步优化了模型的性能。此外，本研究还对HRSNet在不同调制类型下的分类性能进行了详细分析，为未来的研究提供了有价值的参考。
以上是对该研究的全面报告，涵盖了研究背景、流程、结果、结论及亮点，旨在为其他研究者提供详细的研究介绍和参考。