开放集无线信号分类：以专家特征分类器增强深度学习
信号处理
2023-02-09 v1
摘要
在具有多种无线接入技术的共享频谱中，无线标准分类对于动态频谱接入（DSA）与宽带频谱监测等应用至关重要。然而，干扰信号与未知信号类的存在会降低分类精度。为减少干扰，可在时间、频率与空间上隔离信号，但隔离过程引入的失真会降低深度学习分类器的准确率。我们发现，通过在分类器训练数据中加入信号隔离步骤，该失真可得到部分缓解。为应对未知信号，我们提出一种开放集混合分类器，其结合深度学习与专家特征分类器，以利用专家特征分类器的可靠性与可解释性，以及深度学习分类器的较低计算复杂度。该混合分类器相比专家特征分类器平均将计算复杂度降低2至7倍，同时在15 dB信噪比下对已知信号类达到95%的准确率。得益于专家特征分类器的鲁棒性，该混合分类器能以近100%的准确率检测未知类。
引用
@article{arxiv.2302.03749,
title = {Open Set Wireless Signal Classification: Augmenting Deep Learning with Expert Feature Classifiers},
author = {Samuel R. Shebert and Benjamin H. Kirk and R. Michael Buehrer},
journal= {arXiv preprint arXiv:2302.03749},
year = {2023}
}