基于合成训练数据的射频信号分类及其真实世界性能
信号处理
2022-06-28 v1 机器学习
摘要
神经网络是对电磁频谱中无线电信号进行分类的一种强大方法。由于缺少多样且充足的真实 RF 数据，这些神经网络常常使用合成生成的数据进行训练。然而，在合成数据上训练的神经网络在真实世界应用中的表现往往并不明确。本文研究了合成训练数据中建模的不同 RF 信号损伤（如相位、频率和采样率偏移、接收机滤波器、噪声和信道模型）对真实世界性能的影响。为此，本文使用具有不同信号损伤的各种合成训练数据集来训练神经网络。训练后，这些神经网络在野外由软件定义无线电接收机采集的真实世界 RF 数据上进行评估。该方法揭示了在精心设计的合成数据集中应包含哪些建模的信号损伤。所研究的示例可对短波频段中 20 种不同无线电信号类型之一进行分类。仅使用精心设计的合成训练数据，其在真实世界操作中达到了高达 95% 的准确率。
引用
@article{arxiv.2206.12967,
title = {RF Signal Classification with Synthetic Training Data and its Real-World Performance},
author = {Stefan Scholl},
journal= {arXiv preprint arXiv:2206.12967},
year = {2022}
}