使用卷积神经网络的开放集无线标准分类
信号处理
2021-08-04 v1
摘要
在拥挤的电磁环境中，认知无线电需要了解其他发射源的信息，以优化其动态频谱接入策略。深度学习分类算法已被用于高精度识别发射源的无线信号标准，但仅限于对其训练集中出现的信号类别进行分类。这降低了部署在野外的深度学习分类器的性能，因为它们无法准确识别来自训练集外类别的信号。本文提出了一种基于卷积神经网络的开放集分类器，该分类器能够通过对输出的Sigmoid激活进行阈值处理来检测信号是否来自未知类别。该开放集分类器在受瑞利或莱斯衰落、加性高斯白噪声、频率偏移和同相/正交不平衡影响的4G LTE、5G NR、IEEE 802.11ax、蓝牙低功耗5.0和窄带物联网信号上进行了训练。然后，该分类器在未出现在训练集类别中的OFDM、SC-FDMA、SC、AM和FM信号上进行了测试。对于信噪比大于0 dB的已知信号，闭集分类器达到了94.5%的平均准确率，但根据设计，其检测未知类别信号的准确率为0%。另一方面，开放集分类器对已知信号类别保持了86%的准确率，但可以检测到95.5%的信噪比大于0 dB的未知类别信号。
引用
@article{arxiv.2108.01656,
title = {Open Set Wireless Standard Classification Using Convolutional Neural Networks},
author = {Samuel R. Shebert and Anthony F. Martone and R. Michael Buehrer},
journal= {arXiv preprint arXiv:2108.01656},
year = {2021}
}