[論文レビュー] Classification of Radio Signals and HF Transmission Modes with Deep Learning

Stefan Scholl|arXiv (Cornell University)|Jun 11, 2019

Wireless Signal Modulation Classification参考文献 11被引用数 12

ひとこと要約

本論文は、従来の変調認識を回避して、生のIQデータから直接HF電波信号をその送信モードに分類する深層学習手法を提案する。18種類のHFモードを含む、現実的なチャネル劣化を再現した合成データセットで訓練された、最良の残差ネットワークは、低SNR下でも98％の正確性を達成し、スケジューリング監視および認知無線応用におけるエンドツーエンド学習の有効性を示している。

ABSTRACT

This paper investigates deep neural networks for radio signal classification. Instead of performing modulation recognition and combining it with further analysis methods, the classifier operates directly on the IQ data of the signals and outputs the transmission mode. A data set of radio signals of 18 different modes, that commonly occur in the HF radio band, is presented and used as a showcase example. The data set considers HF channel properties and is used to train four different deep neural network architectures. The results of the best networks show an excellent accuracy of up to 98%.

研究の動機と目的

• 変調タイプに限定されない、送信モードによる直接的かつデータ駆動型の無線信号分類手法の開発。
• 周波数選択性フェージングやマルチパス効果を含む、現実的なチャネル劣化を再現した18種類の一般的なHFバンド送信モードの合成データセットの作成。
• 複雑で重複するHF信号のエンドツーエンド分類に適した複数の深層ニューラルネットワークアーキテクチャの評価。
• マルチパスや周波数オフセットを含む、現実の伝搬条件および低SNR下でも高い分類正確性を達成すること。
• 手作業による特徴工学的設計を排除し、IQサンプルそのものに直接学習させる。

提案手法

• 訓練データは、18種類のHF送信モード（アナログ：AM、SSB、デジタル：PSK31、RTTY、Olivia、MT63）を表す120,000個のIQベクトル（6 kHzで2048サンプル）から構成される。
• 信号は平文、音声、画像から合成的に生成され、CCIR 520 HFチャネルモデルを用いて周波数選択性フェージングおよびマルチパス効果を加えて歪められる。
• データセットには、加法性白色ガウスノイズ（SNR：-10〜+25 dB）、ランダムな周波数オフセット（±250 Hz）、位相オフセットが含まれ、現実の受信機の不具合を模擬する。
• 4種類の深層ニューラルネットワークアーキテクチャを訓練：従来のCNN、すべての畳み込み層から構成されるネットワーク、17層の深層CNN、41層の残差ネットワーク。すべてにバッチ正規化、ドロップアウト、ReLU活性化関数を適用。
• Adam最適化法を用い、学習率スケジューラ、バッチサイズ128、30エポックで訓練することで、正確性と訓練効率のバランスを図る。
• 分類はIQデータそのものに対して直接実行され、中間の特徴抽出を経ずに、生信号入力を送信モードラベルにマッピングする。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、手作業による信号特徴の設計に依存せずに、IQデータから直接HF無線信号を高精度に分類できるか？
• RQ2 異なる深層学習アーキテクチャは、現実的なチャネル条件下で18種類の多様なHF送信モードをどの程度効果的に分類できるか？
• RQ3 信号劣化（例：低SNR、周波数オフセット）は、現実のHF環境下で分類性能にどの程度影響を及えるか？
• RQ4 エンドツーエンド学習は、RTTY45とRTTY50、あるいはUSBとLSB SSBの非常に類似したモードを区別するのにどの程度効果的か？
• RQ5 1つの深層学習モデルは、HFバンドで一般的な広範なSNR範囲およびチャネル歪みに一般化できるか？

主な発見

• 残差ネットワークは検証セットで最高94.1％の正確性を達成し、最良の条件下ではSNR > 5 dBで98％の正確性を示した。
• 低SNR（-5 dB）でも、最良のモデルは90％以上の正確性を維持し、ノイズおよび干渉に対して高い耐性を示した。
• 類似したモード間の誤分類は最小限に抑えられ、RTTY45とRTTY50の誤分類はほとんど見られず、QPSK/BPSKモード間の誤分類もわずかであった。
• 17層の深層CNNは、残差ネットワーク（5.3時間）よりも著しく短い1.9時間の訓練時間で93.7％の正確性を達成した。
• すべての畳み込みネットワークは0.7時間で90.3％の正確性を達成し、速度と性能の優れたトレードオフを示した。
• 残差ネットワークの誤分類マトリクスは、スペクトル的に類似したモード（USBとLSB SSB）を高信頼性で区別できることを確認した。