Convolutional Radio Modulation Recognition Networks - mindmap

1. 創(chuàng)新點

1.1. 內(nèi)容

利用CNN進行the complex temporal radio signal domain 的研究

1.2. 效果

相對于手動提取特征管引，CNN從原始數(shù)據(jù)中自動提取特征的性能好很多

2. 介紹

2.1. 機器學(xué)習(xí)的技術(shù)在CV和語音識別中運用廣泛且非常好

2.2. 傳統(tǒng)的無線電通信技術(shù)提取專家特征非常難以繼續(xù)突破

2.3. 利用機器學(xué)習(xí)實現(xiàn)無線電通信特征提取是一個很好的方法

3. 調(diào)制識別

3.1. Dynamic Spectrum Access (DSA)

避免自己的無線電影響或被其他的無線電所影響挫掏，導(dǎo)致無法接受目標(biāo)無線電信號

3.2. Modulation Recognition

是一個識別任務(wù)夺刑，這種識別任務(wù)基于帶有噪聲的接受信號缘揪，基于何種通信規(guī)范被使用枣购，及何種頻譜類型被使用，因為這三者可能會導(dǎo)致信號失真

信號接受公式

3.4. Expert Cyclic-Moment Features

廣泛用于調(diào)制識別和分析決策樹，從而實現(xiàn)對調(diào)制類別進行分類

0

m階統(tǒng)計量
n階時變或延遲接受信號r(t)的功率

3.5. Convolutional Feature Learning

原始無線電時序信號r(t)以窗口形式輸入到卷積神經(jīng)網(wǎng)絡(luò)中

r(t)樣本以2xN矢量輸入到2D卷積神經(jīng)網(wǎng)絡(luò)中

正交和同步抽樣的IQ樣本可以組成2維信號數(shù)據(jù)

4. 數(shù)據(jù)

4.1. introduction

特點

1. 在機器學(xué)習(xí)領(lǐng)域有點不合適

2. 在無線電通信領(lǐng)域卻可以在某種時候等同于真實系統(tǒng)

方式

1. 把真實語音和文本數(shù)據(jù)調(diào)制到信號中

2. 再加入白噪聲

方法

1. 利用GUN Radio 通道模式生成數(shù)據(jù)集

2. 利用128樣本的矩形窗口再把數(shù)據(jù)集分割成一個測試集

結(jié)果

1. 大約500MB的數(shù)據(jù)存儲在python pickle file 中

4.2. Dataset Availability

1. benchmark in the field

4.3. Dataset Parameters

11種調(diào)制類型

8中數(shù)字調(diào)制：BPSK, QPSK, 8PSK, 16QAM, 64QAM, BFSK, CPFSK, and PAM4

3種模擬調(diào)制：WB-FM, AM-SSB, AM-DSB

2. 調(diào)制類別

4.4. Dataset Plots

時域中可以看到不同調(diào)制類別的的相似性和不同點，但由于脈沖整流信號的原因畔师，無法被專家感知

頻域中科院看到這些信號的功率，從設(shè)計上可以看到信號具有相同的包絡(luò)牧牢，但也無法被專家感知

4.5. Modulated Information

Modulated Information

4.6. Effects on the Modulated Signal

1. 白噪聲：硬件的溫度

2. 發(fā)射機與接收機導(dǎo)致碼元時域偏移看锉、采樣率偏移塔鳍，載波頻率偏移伯铣，相位偏差

3. 多徑衰弱

4.7. Generating a dataset

1. 實際中廣泛使用的離散二進制字母表（數(shù)字調(diào)制）和連續(xù)字母表（模擬調(diào)制）

2. 把已知的數(shù)據(jù)調(diào)制到調(diào)制解調(diào)器中，并利用GNU Radio暴露在信道中

3. 把時序信號利用窗技術(shù)分段存儲轮纫，從128采樣中獲得其中的64采樣數(shù)據(jù)

4. 樣本信息包含

4.1. 調(diào)制數(shù)據(jù)bits

4.2. 如何被調(diào)制的

4.3. 信號在信道中傳播的影響

4.4. 有關(guān)發(fā)射機和接收機設(shè)備狀態(tài)和包含的隨機過程的信息

5. 技術(shù)方法

5.1. introduction

1. CNN會自動根據(jù)時序特征學(xué)習(xí)每一種調(diào)制信號的匹配濾波器

2. 在低SNR下能有些匹配濾波器還能放大增益

5.2. Learning Invariance

1. 很多無線電通信系統(tǒng)恢復(fù)的過程都被認(rèn)為是與線性疊加腔寡、旋轉(zhuǎn)、時移掌唾、放大縮小蹬蚁、卷積等不變性有關(guān)的

5.3. Evaluation Network

1. 4層CNN，2個卷積層郑兴，2個全連接層

2. 前3層使用ReLU激活函數(shù)犀斋，最后一層使用softmax激活函數(shù)

3. 使用正則化防止過擬合

3.1. 卷積層使用L-2范數(shù)

3.2. 第一個全連接層使用h1范數(shù)

4. Dropout用于預(yù)防網(wǎng)絡(luò)單元的specialization

5. 利用交叉熵作為損失函數(shù)

6. 利用Adam作為優(yōu)化器，此優(yōu)化器是一個基于梯度下降法有效的迭代計算器

0

5.4. Training Complexity

1. Software & Hardward

1.1. Keras with TensorFlow

1.2. NVIDIA CUDA enabled Titan X GPU

2. Training

2.1. 數(shù)據(jù)個數(shù)：900,000個

batch sizes：1024

epoches：24 epochs

單個耗時：22s

總耗時：大約9min

0

5.5. Learned Features

1. 看看CNN到底學(xué)到了什么特征信息

2. 第1個卷積層：主要看I&Q通道

3. 第2個卷積層

0

6. 結(jié)果

6.1. 訓(xùn)練數(shù)據(jù)

1. 12M復(fù)雜樣本中分為了11種調(diào)制類型

2. 96,000樣本訓(xùn)練情连，64,000樣本測試和驗證（每個樣本的長度是128）

3. 數(shù)據(jù)集的SNR的分布于-20dB~20dB

6.2. 訓(xùn)練結(jié)果

1. 在測試集上大約獲得64.4%的正確率

2. 8PSK被誤分類成QPSK, WBFM誤分類成AM-DSB

6.3. 分析

6.3.1. an 8PSK symbol containing the correct bits/symbols for a certain number of subsequent symbols is indiscernible from QPSK since the QPSK constellation points are spanned by that subset of 8PSK.

6.4. 對比

1. SNR分別取-10dB, 0dB, 10dB

2. 模型：決策樹叽粹，3NN，SVM却舀，CNN

0

0

6.6. 結(jié)論

SNR = -10dB： 除了CNN能夠正確分類部分類別虫几，其他的基本上不行

SNR = 0dB： 除了CNN基本上可以對大多數(shù)類分類正確，其他的基本上停留在CNN為-10dB的水平

SNR = 10dB： CNN已經(jīng)在0dB時飽和了挽拔，正確率不再變化辆脸，其他的相對于自身在0dB時已經(jīng)好點了，但還是不如CNN

7. 模型復(fù)雜度

7.1. 訓(xùn)練時間

CNN訓(xùn)練需要大量數(shù)據(jù)螃诅，但相對于SVM模型啡氢，在矩陣求逆中花的時間更少

7.2. 分類效率

CNN在分類時比SVM好，比DTree和GaussianNB差點

7.3. 結(jié)論

CNN在整體來說是比其他的要好點

0

8. 結(jié)論

8.1. 潛能無限

9. 未來的工作

9.1. 數(shù)據(jù)集是一個問題

9.2. 模型可以得到進一步完善