本研究提出了一种基于隔离分布核的在线自动调制分类方案，解决了现有方法计算复杂度高、只能批量处理的问题。该方案在动态信道条件下表现优异，具有显著的线性时间复杂度，提高了实时应用效率。

本文介绍了一种基于深度卷积神经网络的无线干扰识别方法，分类准确率超过95%。研究聚焦于5G通信中的深度学习应用，优化了干扰源识别和自动调制分类技术，提出了高效的卷积神经网络结构，证明了其在检测干扰攻击和提升分类性能方面的有效性。