DeepFIR：应对物理层深度学习中的无线信道作用
网络与互联网体系结构
2020-05-12 v1 信号处理
摘要
深度学习可用于对波形特征（例如调制）进行分类，其准确率是传统技术难以达到的。最近的研究表明，无线深度学习中最关键的挑战之一是抵消信道作用，因为信道作用可能会显著改变波形特征。由于深度学习算法规模庞大，难以实时重新训练，这一问题进一步加剧。本文提出 DeepFIR，这是一个无需重新训练底层深度学习模型即可抵消无线深度学习算法中信道作用的框架。其核心直觉是，通过在发射端应用经过精心优化的数字有限冲激响应滤波器（FIR），我们可以根据当前信道条件对波形施加微小修改以增强其特征。我们将波形优化问题（WOP）数学形式化为寻找应用于波形以提高分类器准确率的最优 FIR 的问题。我们还提出了一种数据驱动的方法，直接使用数据集输入训练 FIR。我们在一个由 20 个软件无线电组成的实验测试平台上，以及在由 500 个 ADS-B 设备和 500 个 WiFi 设备构成的两个数据集和一个 24 类调制数据集上，对 DeepFIR 进行了广泛评估。实验结果表明，我们的方法： 将无线电指纹识别模型的准确率分别提高了约 35%、50% 和 58%； 当对手试图使用其他设备的滤波器来模仿其指纹时，将其准确率降低了约 54%； 在一个 100 设备数据集上比现有技术提高了 27%； 将调制数据集的准确率提高了 2 倍。
引用
@article{arxiv.2005.04226,
title = {DeepFIR: Addressing the Wireless Channel Action in Physical-Layer Deep Learning},
author = {Francesco Restuccia and Salvatore D'Oro and Amani Al-Shawabka and Bruno Costa Rendon and Stratis Ioannidis and Tommaso Melodia},
journal= {arXiv preprint arXiv:2005.04226},
year = {2020}
}
备注
submitted to IEEE Transactions on Wireless Communications. arXiv admin note: substantial text overlap with arXiv:1904.07623