用于调制分类的深度神经网络架构
机器学习
2018-01-08 v3 机器学习
摘要
在这项工作中，我们研究了采用深度学习完成无线信号调制识别任务的价值。最近在[1]中引入了一个框架，其使用 GNU radio 生成数据集以模拟真实无线信道中的缺陷，并使用了 10 种不同的调制类型。此外，文中开发了一种卷积神经网络（CNN）架构，并显示出超越基于专家方法的性能。此处，我们遵循[1]的框架，找到了比当前最优（state of the art）精度更高的深度神经网络架构。我们测试了[1]的架构，发现其正确识别调制类型的精度约为 75%。我们首先对[1]的 CNN 架构进行调优，找到了一个具有四个卷积层和两个全连接层的设计，在高信噪比下精度约为 83.8%。随后，我们基于近期提出的残差网络（ResNet [2]）和密集连接网络（DenseNet [3]）思想开发架构，分别在高信噪比下达到约 83.5% 和 86.6% 的精度。最后，我们引入了卷积长短期深度神经网络（CLDNN [4]），在高信噪比下达到约 88.5% 的精度。
引用
@article{arxiv.1712.00443,
title = {Deep Neural Network Architectures for Modulation Classification},
author = {Xiaoyu Liu and Diyu Yang and Aly El Gamal},
journal= {arXiv preprint arXiv:1712.00443},
year = {2018}
}
备注
5 pages, 10 figures, In proc. Asilomar Conference on Signals, Systems, and Computers, Nov. 2017