用于干扰识别的深度学习:频段、训练信噪比与样本选择
信号处理
2019-05-21 v1 机器学习
机器学习
摘要
我们通过识别属于 3 种不同无线技术(Bluetooth、Zigbee 和 WiFi)的 15 种不同信道之一来研究干扰源识别问题。我们采用在 2.4 GHz ISM 频段中 10 MHz 频带所接收样本上训练的深度学习算法。使用四种不同深度神经网络架构(CNN、ResNet、CLDNN 和 LSTM)中的任意一种,我们获得了约 89.5% 的分类准确率,这表明深度学习在所考虑任务上的有效性具有通用性。有趣的是,我们提出的 CNN 架构所需的训练时间约为最先进方法所需的 60%,同时实现了略高的分类准确率。随后我们聚焦于 CNN 架构,并通过三种不同方法进一步优化其训练时间,同时使分类准确率损失最小:1- 频段选择,仅使用属于最低和最高 2 MHz 频带的样本;2- 信噪比选择,仅使用属于单一 SNR 值的训练样本;3- 样本选择,尝试各种亚奈奎斯特采样方法以选取与分类任务最相关的样本子集。我们的结果证实了无线干扰快速深度学习的可行性,表明训练时间最多可减少 30 倍且准确率损失极小。
引用
@article{arxiv.1905.08054,
title = {Deep Learning for Interference Identification: Band, Training SNR, and Sample Selection},
author = {Xiwen Zhang and Tolunay Seyfi and Shengtai Ju and Sharan Ramjee and Aly El Gamal and Yonina C. Eldar},
journal= {arXiv preprint arXiv:1905.08054},
year = {2019}
}
备注
5 pages, 8 figures, In Proc. IEEE International Workshop on Signal Processing Advances in Wireless Communications (SPAWC) 2019