基于注意力机制的多尺度深度表示学习用于自动调制分类
信号处理
2022-09-09 v1 机器学习
摘要
目前，采用堆叠小尺寸卷积滤波器的深度学习方法被广泛用于自动调制分类（AMC）。在本报告中，我们发现基于卷积深度神经网络的大核尺寸用于 AMC 带来了一些经验性改进，其在提取原始信号 I/Q 序列数据的多尺度特征方面更为高效。此外，Squeeze-and-Excitation（SE）机制能显著帮助 AMC 网络聚焦于信号中更重要的特征。因此，我们在本文中提出一种具有大核尺寸和 SE 机制的多尺度特征网络（SE-MSFN）。SE-MSFN 在公开的知名 RADIOML 2018.01A 数据集上取得了最先进的分类性能，平均分类准确率为 64.50%，超越 CLDNN 1.42%，最大分类准确率为 98.5%，并且在 0dB 至 10dB 的低信噪比范围内平均分类准确率达 85.53%，超越 CLDNN 2.85%。此外，我们还验证了集成学习可进一步帮助提升分类性能。希望本报告能为实际场景中的开发者和研究人员提供一些参考。
引用
@article{arxiv.2209.03764,
title = {Deep Multi-Scale Representation Learning with Attention for Automatic Modulation Classification},
author = {Xiaowei Wu and Shengyun Wei and Yan Zhou},
journal= {arXiv preprint arXiv:2209.03764},
year = {2022}
}
备注
Accepted by IJCNN2022