摘要：针对苛刻通信场景下调制方式识别精度低且泛化难的问题，该文提出一种改进Kolmogorov-Arnold混合卷积神经网络模型KA-CNN。首先，通过双树复小波包变换将信号分解至多维小波域，结合不同频率分量构建多尺度信号表征，促使神经网络模型学习各频率下的一致性特征；然后设计集成样条函数和非线性激活函数的深度学习结构，利用样条函数解决维度诅咒问题，增强周期性特征的持续学习能力；最后，采用Lipschitz正则化约束的多级网格训练，改善模型面对不同信号参数的适应性，增强跨通信场景的泛化能力。在公开数据集RadioML2016.10a、Radio ML 2018.01a和CSPB.ML.2023的实验表明，KA-CNN具有优异的调制识别精度，当信噪比在16 d B时能够取得90%以上的识别率。相较于其它深度学习方法，整体识别精度提升3%～10%，并在各种信噪比条件下具备更强的特征学习能力和泛化性。
