面向大规模真实世界 ACARS 与 ADS-B 无线电信号分类的深度学习
机器学习
2019-06-27 v3 信号处理
摘要
无线电信号分类在无线通信与电磁频谱管理领域有着非常广泛的应用。近年来，深度学习已被用于解决无线电信号分类问题并取得了良好效果。然而，当前所使用的无线电信号数据规模十分有限。为验证基于深度学习的无线电信号分类在真实世界无线电信号数据上的性能，本文对样本量分别为 900,000 和 13,000,000、类别数分别为 3,143 和 5,157 的大规模真实世界 ACARS 与 ADS-B 信号数据进行了实验。我们对 ACARS 信号分类与 ADS-B 信号分类采用相同的 Inception-Residual 神经网络模型结构，以验证单一基础深度神经网络模型结构处理不同类型无线电信号（即 ACARS 中的通信突发与 ADS-B 中的脉冲突发）的能力。我们构建了用于无线电信号深度学习实验的实验系统。实验结果表明，ACARS 与 ADS-B 的信号分类准确率分别为 98.1% 和 96.3%。当信噪比（注入加性白高斯噪声）大于 9 dB 时，分类准确率大于 92%。这些实验结果验证了深度学习对大规模真实世界无线电信号进行分类的能力。迁移学习实验的结果表明，在大规模 ADS-B 数据集上训练的模型比在小规模数据集上训练的模型更利于新任务的学习与训练。
引用
@article{arxiv.1904.09425,
title = {Deep Learning for Large-Scale Real-World ACARS and ADS-B Radio Signal Classification},
author = {Shichuan Chen and Shilian Zheng and Lifeng Yang and Xiaoniu Yang},
journal= {arXiv preprint arXiv:1904.09425},
year = {2019}
}
备注
Accepted by IEEE Access