用于自动调制开集识别的类信息引导重建
信号处理
2024-04-16 v2
摘要
自动调制识别 (AMR) 是雷达与通信领域的关键技术。传统 AMR 方法假设封闭集场景，将未知样本强行误分类为已知类别，这对态势感知和威胁评估造成严重后果。为解决此问题，自动调制开集识别 (AMOSR) 定义了两个任务：已知类分类 (KCC) 和未知类识别 (UCI)。然而，AMOSR 在不恰当的决策边界和稀疏的特征分布方面面临核心挑战。为克服上述挑战，我们提出了一种类信息引导重建 (CIR) 框架，利用重建损失来区分已知类和未知类。为了增强可区分性，我们设计了类条件向量 (CCV) 来匹配从输入样本中提取的潜在表示，实现对已知样本的完美重建，而对未知样本产生较差的重建结果。我们还提出了互信息 (MI) 损失函数以确保可靠的匹配，推导了 MI 的上下界以实现易于处理的优化，并提供了数学证明。相互促进的 CCV 和 MI 使 CIR 在不损害 KCC 准确率的情况下实现最佳的 UCI 性能，尤其是在未知类比例较高的场景中。此外，在重建之前引入了去噪模块，使 CIR 在低信噪比下获得显著的性能提升。在模拟信号和实测信号上的实验结果验证了所提方法的有效性和鲁棒性。
引用
@article{arxiv.2312.13023,
title = {Class Information Guided Reconstruction for Automatic Modulation Open-Set Recognition},
author = {Ziwei Zhang and Mengtao Zhu and Jiabin Liu and Yunjie Li and Shafei Wang},
journal= {arXiv preprint arXiv:2312.13023},
year = {2024}
}
备注
14 pages, 11 figures