2026年4月21日，烟台大学物理与电子信息学院蔡卓燃教授团队的最新研究成果被国际认知通信和网络领域权威期刊《IEEE Transactions on Cognitive Communications and Networking》（TCCN）录用，论文题目为“IDHNet: A CNN-Transformer Hybrid Network with Feature Interaction for Robust Automatic Modulation Classification”。TCCN由IEEE Communications Society（IEEE通信学会）主办。该期刊最新影响因子（IF）为7，五年影响因子为7.8，是通信领域最具影响力的国际学术期刊之一。TCCN致力于推动认知通信与网络研究的前沿发展，其涵盖的核心主题包括认知网络的体系结构、认知无线电、面向认知通信与网络的机器学习与人工智能方法，以及认知网络中的安全与隐私问题等。

自动调制分类（AMC）作为信号检测与解调之间的关键技术，能够在未知信号调制参数的情况下，从接收信号中准确判别其调制方式，该技术是无线电监测与频谱管理技术的重要组成部分。然而，现有的调制信号识别方法在实际复杂电磁环境中仍面临诸多挑战：一是在低信噪比条件下，模型难以提取稳定且具有区分性的特征表示，从而导致性能显著下降；二是由于实际通信场景的复杂性以及信号采集设备在数量、采集能力、存储能力方面的限制，全域、多尺度、多视角的信号样本难以获取，进而对模型在非理想条件下的鲁棒性提出了更高要求。

近年来，研究者逐渐将注意力转向混合神经网络设计，以提升AMC模型在低信噪比环境下的识别精度与整体鲁棒性。然而，现有的AMC混合架构在特征提取方面仍存在一定局限，难以有效表征复杂I/Q信号，进而限制了其在实际无线通信环境中的分类精度与鲁棒性。

针对上述问题，蔡卓燃教授团队提出了一种基于跨分支融合卷积和高效Transformer的鲁棒调制识别模型。实验结果表明，所提出的方法能够在低信噪比条件下提取更具判别性的特征，并保持较高的识别精度。同时，在数据特征分布存在差异及未知信噪比信号场景下，该模型表现出较小的性能衰减，体现出良好的鲁棒性。此外，该方法在各类调制方式上均取得了优良性能，尤其在易混淆的QAM16、QAM64、WBFM和AM-DSB类别中，展现出更为突出的区分能力。

图1 IDHNet和基线模型的总体分类性能对比

图2 IDHNet在三个数据集上不同SNR水平下对所有调制类型的分类准确率

该研究成果以烟台大学为第一完成单位，物理与电子信息学院2023级硕士研究生李文韬为第一作者，蔡卓燃教授为通讯作者。本次所刊发成果的研究工作获得国家自然科学基金面上项目的支持。近年来，蔡卓燃教授团队在该研究方向已发表多篇高水平期刊与会议论文，其中包括一区TOP期刊《IEEE Internet of Things Journal》（IF=8.9）论文2篇以及可靠性领域顶级期刊《IEEE Transactions on Reliability》（IF=5.7）论文2篇。

来稿时间：4月22日 审核：刘俞斌 责任编辑：刘运正