用于分类射频信号的向量量化变分自编码器数据增强
机器学习
2024-10-25 v1 网络与互联网体系结构
信号处理
摘要
射频（RF）通信是民用和军用通信中重要组成部分。随着无线环境日益复杂以及共享频谱的设备数量不断增加，高效管理和分类这些频率上的信号变得至关重要。在此类情境下，对无线信号进行准确分类对于有效的频谱管理、信号拦截和干扰消除至关重要。然而，射频信号分类通常面临标签训练数据有限的挑战，尤其是在信噪比（SNR）较低的情况下。为解决这些挑战，本文提出使用向量量化变分自编码器（Vector-Quantized Variational Autoencoder, VQ-VAE）来增强训练数据，从而提高基线无线分类器的性能。VQ-VAE 模型生成高保真合成射频信号，通过捕捉射频通信信号中固有的复杂变异性，增加了训练数据集的多样性和保真度。我们的实验结果表明，纳入 VQ-VAE 生成的数据显著提高了基线模型在低 SNR 条件下的分类准确率。这一增强措施提高了分类器的泛化能力和鲁棒性，克服了现实世界数据有限的限制。通过提高射频信号的分类准确性，该方法增强了无线通信在民用和战术环境中的效能，确保在通信保真度至关重要的环境中实现可靠和安全的运行。这一进展支持了在通信保真度至关重要的环境中进行关键决策和作战准备。
关键词
引用
@article{arxiv.2410.18283,
title = {Augmenting Training Data with Vector-Quantized Variational Autoencoder for Classifying RF Signals},
author = {Srihari Kamesh Kompella and Kemal Davaslioglu and Yalin E. Sagduyu and Sastry Kompella},
journal= {arXiv preprint arXiv:2410.18283},
year = {2024}
}
备注
IEEE Milcom 2024