基于卷积神经网络衍生特征的截断高斯判别分析的无线电信号分类
信号处理
2020-08-12 v1
摘要
为提升分布式射频（RF）传感器与通信网络的效用和可扩展性、减少卷积神经网络（CNN）重训练需求并高效共享关于信号的学习信息，我们研究了一种用于 RF 调制分类的监督引导方法。我们表明新调制类与已有调制类的 CNN 引导特征可视为截断高斯分布的混合，从而允许基于最大似然对新类分类而无需重训练网络。本工作中，作者观察到使用 CNN 引导特征的最大似然估计进行分类的性能，可与在所有类上训练的 CNN 相媲美，即便对于引导 CNN 未训练过的那些类也是如此。在将新类定义所需参数从超 800 万减至仅 200 的同时实现了该性能。此外，一些训练时未直接标注的感兴趣物理特征，例如信噪比（SNR），可从这些相同的 CNN 衍生特征中学习或估计。最后，我们表明 SNR 估计精度在分类精度最低时最高，因此可用于校准分类中的置信度。
引用
@article{arxiv.2008.04874,
title = {Classification of Radio Signals Using Truncated Gaussian Discriminant Analysis of Convolutional Neural Network-Derived Features},
author = {J. B. Persons and Lauren J. Wong and W. Chris Headley and Michael C. Fowler},
journal= {arXiv preprint arXiv:2008.04874},
year = {2020}
}
备注
Under peer review as of 11 August 2020. 11 pages, 13 figures