全信噪比稳健分类
通过对抗类间因子与全局/维度散度的先验正则项增大类间距离、缩小类内距离，无需额外数据增强即可提升模型对不同信噪比信号的泛化能力。
郑庆河 · Tian, Xinyu · Yu, Zhiguo · 王洪君 · Elhanashi, Abdussalam · Saponara, Sergio
Engineering Applications of Artificial Intelligence 2023
正则项由类间对抗因子和散度组成，增大类间距离并缩小类内距离，使模型在未见信噪比上仍保持高准确率。
先验正则化可解释为隐式数据增强和模型集成，在训练中引入等价于扩充数据的效应，而不增加数据预处理负担。
混合 CNN–LSTM 模型推理单信号仅 0.94 ms，CNN 为 0.82 ms，适合认知无线电中对实时性的要求。