NMformer: 用于无线通信中噪声调制分类的 Transformer
信号处理
2024-11-06 v1 机器学习
网络与互联网体系结构
摘要
调制分类是一项极具挑战性的任务，因为信号与各种环境噪声相互交织。需要能够在不引入额外步骤（如去噪，从而增加计算复杂度）的情况下进行分类的方法。在本研究中，我们提出了一种基于视觉Transformer（ViT）的模型NMformer，用于预测无线通信中不同噪声水平下的信道调制图像。由于ViT对RGB图像最为有效，我们从调制信号生成了星座图。这些图表以二维表示形式提供了信号中的信息。我们在106,800张调制图像上训练NMformer以构建基础分类器，并仅使用3,000张图像进行特定任务的微调。我们的模型有两种不同的预测设置：分布内和分布外。在分布内的高信噪比（SNR）类别上进行微调和测试时，我们的模型比基础分类器实现了4.67%的准确率提升。此外，微调后的低SNR任务也比基础分类器获得了更高的准确率。即使在分布外类别的未见数据上进行预测时，微调后的分类器也比基础分类器显著更有效，实现了更高的准确率。大量实验表明NMformer在广泛的SNR范围内的有效性。
引用
@article{arxiv.2411.02428,
title = {NMformer: A Transformer for Noisy Modulation Classification in Wireless Communication},
author = {Atik Faysal and Mohammad Rostami and Reihaneh Gh. Roshan and Huaxia Wang and Nikhil Muralidhar},
journal= {arXiv preprint arXiv:2411.02428},
year = {2024}
}