利用测试信噪比估计高效训练用于无线源识别的深度分类器
机器学习
2020-04-21 v2 信号处理
机器学习
摘要
我们研究了在可获得测试信噪比(SNR)估计时处理接收无线信号的高效深度学习训练算法。我们聚焦于两项有助于源识别的任务:1-识别调制类型,2-识别 2.4 GHz ISM 频段中的无线技术与信道。为进行基准测试,我们依赖于近期关于在两个知名数据集上测试深度学习算法的文献。我们首先证明,仅使用对应于测试 SNR 值的训练数据可大幅减少训练时间,同时仅带来平均测试精度的小幅损失,因为它提升了低 SNR 值下的精度。此外,我们表明,具有小的正偏移的错误测试 SNR 估计比具有相同误差幅度但具负偏移的估计更利于训练。其次,我们引入了一种贪心训练 SNR 提升(Boosting)算法,该算法在所有被测 SNR 值上实现精度的均匀提升,同时在每个测试 SNR 下仅使用训练 SNR 值的一个小子集。最后,我们展示了基于训练 SNR 值的自助聚合(Bagging)在训练数据稀缺时改善低测试 SNR 值下泛化能力的潜力。
引用
@article{arxiv.1912.11896,
title = {Efficient Training of Deep Classifiers for Wireless Source Identification using Test SNR Estimates},
author = {Xingchen Wang and Shengtai Ju and Xiwen Zhang and Sharan Ramjee and Aly El Gamal},
journal= {arXiv preprint arXiv:1912.11896},
year = {2020}
}
备注
5 pages, 10 figures, 4 tables, accepted at IEEE Wireless Communications Letters