用于I/Q调制分类的大容量复值卷积神经网络
计算机视觉与模式识别
2020-10-22 v1
摘要
I/Q调制分类是一个独特的模式识别问题，因为每一类的数据质量各异（由信噪比(SNR)量化），并且在复平面上具有结构。先前的工作表明，将这些样本视为复值信号并在深度学习框架内计算复值卷积，相比可比较的浅层CNN架构显著提升了性能。在本工作中，我们通过启用包含残差和/或密集连接、能够计算复值卷积的大容量架构，声称达到了最先进性能，在基准分类问题RadioML 2016.10a数据集上取得了92.4%的峰值分类准确率。我们展示了在所有采用复值卷积的I/Q调制分类网络中均有统计显著的改进。复杂度和推理速度分析表明，在每种情况下，具有复值卷积的模型相比参数数量相当、速度相当的架构均大幅超出10%以上。
引用
@article{arxiv.2010.10717,
title = {High-Capacity Complex Convolutional Neural Networks For I/Q Modulation Classification},
author = {Jakob Krzyston and Rajib Bhattacharjea and Andrew Stark},
journal= {arXiv preprint arXiv:2010.10717},
year = {2020}
}