論文下載：Over the Air Deep Learning Based Radio Signal Classification
摘要
本文提出了基于深度學(xué)習(xí)的無線通信信號分類方法，并對其性能進行了研究。同時，本文還提出一種利用高階矩和梯度提升樹分類器的基線方法，并在一系列的配置和信道衰減條件下對比了這兩種算法的性能。本文在仿真時考慮到了載波頻偏、碼元速率、多徑衰減等因素的影響，并在實驗室中用軟件無線電對無線信號分類性能進行了無線測量，且把這兩種方法的性能和訓(xùn)練方法均進行了對比。最后，對剩余的問題進行了討論，且設(shè)想了一些利用這種技術(shù)的方法。
1.介紹
2.背景
2.1基線分類方法
1）統(tǒng)計特征提取
提取的特征包括高階矩(HOM)和高階統(tǒng)計量(HOC)，見表2：
2）決策準則
分類器選用XGBboost，因為它比單一的決策樹、SVM等其他分類器性能要好。
2.2無線信道模型
當構(gòu)建一個無線信道模型時，有很多對傳輸有影響的統(tǒng)計因素要考慮，無線信道的主要影響因素包括：
- 載波頻偏（CFO)
- 碼元速率偏置(SRO)
- 時延擴展
- 熱噪聲
2.3 深度學(xué)習(xí)分類方法
深度學(xué)習(xí)如今依賴反向傳播和SGD來優(yōu)化有大量參數(shù)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)由一系列的網(wǎng)絡(luò)層組成，如卷積層，每一層的激活函數(shù)為線性修正單元（ReLU），代價函數(shù)為交叉熵損失函數(shù)，為防止過擬合，本文還對每個卷積層使用了批歸一化（BN)，對每個全連接層使用了dropout，其他的層包含有soft-max、最大池化層等。
3.數(shù)據(jù)集產(chǎn)生方法
4.信號分類模型
4.1 基線方法
4.2 VGG分類方法
本文采用了VGG的網(wǎng)絡(luò)結(jié)構(gòu)來進行提取特征及分類，具體結(jié)構(gòu)如下：
在這里要注意的是CNN網(wǎng)絡(luò)結(jié)構(gòu)的輸入數(shù)據(jù)是每個信號樣本歸一化后的正交形式，并沒有對原始數(shù)據(jù)進行任何特征提取和其他預(yù)處理。
4.2 ResNet分類方法
殘差網(wǎng)絡(luò)的分類方法如下：
