面向多接收机CNN技术分类器的自动机器学习
机器学习
2022-05-02 v1 网络与互联网体系结构
信号处理
摘要
卷积神经网络（CNN）是用于信号分类（包括调制、技术、检测与识别）研究最深入的深度学习模型家族之一。本文关注基于多个同步接收机采集的原始I/Q样本进行技术分类。作为一个示例用例，我们研究在5 GHz免许可国家信息基础设施（U-NII）频段上共存的Wi-Fi、LTE-LAA与5G NR-U技术协议识别。设计与训练准确的CNN分类器需投入大量时间精力以微调模型架构设置并确定合适超参数配置（如学习率与批大小）。我们通过将架构设置本身定义为超参数来解决前者。我们尝试将这些架构参数与其他预处理（如每个分类器输入中I/Q样本数）和学习超参数一并自动优化，构造成超参数优化（HyperOpt）问题，并使用Hyperband算法以近最优方式求解。所得近最优CNN（OCNN）分类器随后用于研究基于OTA及仿真数据集、考虑不同SNR值下的分类准确率。我们表明，用于构建CNN多通道输入的接收机数量应定义为可通过Hyperband优化的预处理超参数。OTA结果显示，相较手动调参CNN，我们的OCNN分类器将分类准确率提升了24.58%。我们还研究了每个分类器输入内I/Q样本的最小-最大归一化对训练集SNR以外SNR仿真数据集上泛化准确率的影响，并显示在I/Q样本归一化时平均提升108.05%。
引用
@article{arxiv.2204.13819,
title = {Automatic Machine Learning for Multi-Receiver CNN Technology Classifiers},
author = {Amir-Hossein Yazdani-Abyaneh and Marwan Krunz},
journal= {arXiv preprint arXiv:2204.13819},
year = {2022}
}
备注
To appear in Proceedings of ACM Workshop on Wireless Security and Machine Learning (WiseML) 2022