可视化基于深度学习的无线电调制分类器
机器学习
2021-01-19 v2 信号处理
摘要
深度学习最近已成功应用于自动调制分类，通过端到端的方式提取和分类无线电特征。然而，基于深度学习的无线电调制分类器缺乏可解释性，对于提取和选择了何种无线电特征用于分类，几乎没有解释或可见性。在本文中，我们通过引入类激活向量来可视化不同的基于深度学习的无线电调制分类器。具体而言，我们分别研究了基于卷积神经网络（CNN）的分类器和基于长短期记忆（LSTM）的分类器，并可视化了它们提取的无线电特征。大量的数值结果表明，基于CNN的分类器和基于LSTM的分类器都提取了与调制参考点相关的相似无线电特征。特别是，对于基于LSTM的分类器，其获得的无线电特征与人类专家的知识相似。我们的数值结果表明，基于深度学习的分类器提取的无线电特征在很大程度上取决于无线电信号所携带的内容，而较短的无线电样本可能导致错误分类。
引用
@article{arxiv.2005.02175,
title = {Visualizing Deep Learning-based Radio Modulation Classifier},
author = {Liang Huang and You Zhang and Weijian Pan and Jinyin Chen and Li Ping Qian and Yuan Wu},
journal= {arXiv preprint arXiv:2005.02175},
year = {2021}
}