SigNet：一种用于无线电信号分类的新型深度学习框架
信号处理
2021-10-29 v2 机器学习
摘要
深度学习方法凭借其强大的特征提取能力和端到端训练机制在许多领域取得了巨大成功，近来也被引入用于无线电信号调制分类。本文提出一种称为 SigNet 的新型深度学习框架，其中首先采用信号到矩阵（S2M）算子将原始信号转换为方阵，并与后续的 CNN 架构联合训练以进行分类。该模型进一步通过集成一维卷积算子得到加速，从而形成升级模型 SigNet2.0。在两个信号数据集上的仿真表明，SigNet 与 SigNet2.0 均优于多个知名基线模型。更有趣的是，我们提出的模型在仅提供小规模训练数据集的小样本学习中表现极为优异。即便仅保留 1% 的训练数据，它们仍能取得相对较高的准确率，而其他基线模型随着数据集变小其有效性下降得更快。这一结果表明，SigNet/SigNet2.0 在难以获取标注信号数据的场景中极为有用。对我们模型输出特征的可视化表明，该模型能够在特征超空间中很好地区分不同调制类型的信号。
引用
@article{arxiv.2011.03525,
title = {SigNet: A Novel Deep Learning Framework for Radio Signal Classification},
author = {Zhuangzhi Chen and Hui Cui and Jingyang Xiang and Kunfeng Qiu and Liang Huang and Shilian Zheng and Shichuan Chen and Qi Xuan and Xiaoniu Yang},
journal= {arXiv preprint arXiv:2011.03525},
year = {2021}
}
备注
13 pages, 8 figures