大规模射频信号分类
机器学习
2022-07-21 v1 信号处理
摘要
现有用于训练窄带射频（RF）信号分类深度学习模型的数据集，在信号类型与信道损伤方面缺乏足够多样性，不足以充分评估模型在真实世界中的性能。我们引入了 Sig53 数据集，包含来自 53 个不同信号类别、经专家选取损伤的 500 万合成生成样本。我们还引入了 TorchSig，一个可用于生成该数据集的信号处理机器学习工具包。TorchSig 吸收了视觉领域常见的数据处理原则，旨在作为未来信号机器学习研究的开源基础。使用 Sig53 数据集的初始实验采用最先进的（SoTA）卷积神经网络（ConvNets）与 Transformers 进行。这些实验显示 Transformers 无需额外正则化或 ConvNet 教师模型即可超越 ConvNets，这与视觉领域的结果相反。额外实验表明 TorchSig 的领域特定数据增强有助于模型训练，最终有益于模型性能。最后，TorchSig 支持训练时按需合成数据创建，从而能够实现具有 virtually 无限数据集的大规模训练。
引用
@article{arxiv.2207.09918,
title = {Large Scale Radio Frequency Signal Classification},
author = {Luke Boegner and Manbir Gulati and Garrett Vanhoy and Phillip Vallance and Bradley Comar and Silvija Kokalj-Filipovic and Craig Lennon and Robert D. Miller},
journal= {arXiv preprint arXiv:2207.09918},
year = {2022}
}