复值 CNN 用于射频数据驱动无线设备分类的分析
机器学习
2022-02-22 v1 信息论
信号处理
math.IT
摘要
近期基于深度神经网络的设备分类研究表明，复值神经网络（CVNNs）比实值神经网络（RVNNs）取得更高的分类准确率。尽管这一提升（直观上）归因于输入射频数据的复值特性（即 IQ 符号），但此前尚无工作在无线设备识别背景下细致分析这一趋势。我们的研究使用真实 LoRa 与 WiFi 射频数据集对这一趋势提供了更深入的理解。我们深入探究了（i）输入表示/类型与（ii）神经网络架构层的影响。对于输入表示，我们考虑了部分与完全的 IQ 以及极坐标。对于架构层，我们考虑了一系列消除 CVNN 组件部分的消融实验。我们的结果表明，在上述各种场景中 CVNNs 始终优于对应的 RVNNs，表明 CVNNs 能够更好地利用信号同相（I）与正交（Q）分量所提供的联合信息。
引用
@article{arxiv.2202.09777,
title = {An Analysis of Complex-Valued CNNs for RF Data-Driven Wireless Device Classification},
author = {Jun Chen and Weng-Keen Wong and Bechir Hamdaoui and Abdurrahman Elmaghbub and Kathiravetpillai Sivanesan and Richard Dorrance and Lily L. Yang},
journal= {arXiv preprint arXiv:2202.09777},
year = {2022}
}
备注
7 pages, 9 figures, accepted by 2022 IEEE International Conference on Communications (ICC)