基于深度学习的无线电调制分类中的数据增强
信号处理
2019-12-11 v2 机器学习
摘要
深度学习近来已被应用于在无需人工经验的情况下自动分类接收无线电信号的调制类别。然而，训练深度学习模型需要海量数据。训练数据不足将导致严重的过拟合问题并降低分类精度。为应对小数据集，数据增强已在图像处理中被广泛用于扩充数据集并提升深度学习模型的鲁棒性。然而，在无线通信领域，不同数据增强方法对无线电调制分类的影响尚未得到研究。本文通过一种最先进的基于深度学习的调制分类器评估了不同的数据增强方法。基于调制信号的特性，考虑了三种增强方法，即旋转、翻转和高斯噪声，它们可应用于深度学习算法的训练阶段与推理阶段。数值结果表明，三种增强方法均能提升分类精度。其中，旋转增强方法优于翻转方法，二者均取得比高斯噪声方法更高的分类精度。在仅给定 12.5% 训练数据集的情况下，旋转与翻转联合增强策略甚至能取得比初始 100% 训练数据集且无增强的基线更高的分类精度。此外，借助数据增强，可使用更短的无线电样本成功分类无线电调制类别，从而简化深度学习模型并缩短分类响应时间。
引用
@article{arxiv.1912.03026,
title = {Data Augmentation for Deep Learning-based Radio Modulation Classification},
author = {Liang Huang and Weijian Pan and You Zhang and LiPing Qian and Nan Gao and Yuan Wu},
journal= {arXiv preprint arXiv:1912.03026},
year = {2019}
}