可扩展端到端射频分类：基于卷积-多阶段训练的欠量数据集正则化案例研究
信号处理
2021-05-14 v2 人工智能
机器学习
摘要
与计算机视觉和语音识别等领域中基于卷积与循环神经网络的方法已被证明适用于各自应用领域的性质不同，深度学习（DL）仍缺乏一种适合射频系统（如雷达、信号情报、电子战与通信）独特性质与挑战的通用方法。现有方法在鲁棒性、一致性、效率、可重复性与可扩展性方面存在问题。射频感知（如雷达目标识别）的主要挑战之一是获取数据困难且成本高。训练中将信号分类为 2 至 12 类时通常每类使用数百到数千个样本，报道准确率在 87% 至 99% 之间，且准确率一般随类别增多而下降。本文提出一种基于多阶段训练（MST）的新 DL 方法，并在射频感知信号分类上予以演示。仅使用每类 11 个样本训练，我们对多达 17 个多样类别一致地实现了超过 99% 的准确率，相较标准 DL 方法准确率提升达 35%。
引用
@article{arxiv.2104.12103,
title = {Scalable End-to-End RF Classification: A Case Study on Undersized Dataset Regularization by Convolutional-MST},
author = {Khalid Youssef and Greg Schuette and Yubin Cai and Daisong Zhang and Yikun Huang and Yahya Rahmat-Samii and Louis-S. Bouchard},
journal= {arXiv preprint arXiv:2104.12103},
year = {2021}
}
备注
12 pages, 14 figures