考虑信道衰落的基于极坐标特征的自动调制分类深度架构
信号处理
2018-10-09 v2 信息论
机器学习
math.IT
摘要
为开发智能接收机，自动调制分类（AMC）对更好的频谱利用起着重要作用。新兴的深度学习（DL）技术因其在分类具有深层结构的数据方面的优越性能而在AMC中受到广泛关注。本工作中，提出了一种带有信道补偿网络（CCN）的基于极坐标的新型深度学习架构。我们的测试结果表明，从极坐标域（r-theta）学习特征可将识别准确率提高5%，并将训练开销降低48%。此外，所提CCN对信道衰落（如幅度和相位偏移）也具有鲁棒性，在实际信道环境下可将识别准确率提高14%。
引用
@article{arxiv.1810.02027,
title = {Polar Feature Based Deep Architectures for Automatic Modulation Classification Considering Channel Fading},
author = {Chieh-Fang Teng and Ching-Chun Liao and Chun-Hsiang Chen and An-Yeu Wu},
journal= {arXiv preprint arXiv:1810.02027},
year = {2018}
}
备注
5 pages, accepted by the 2018 Sixth IEEE Global Conference on Signal and Information Processing