[論文レビュー] Data Augmentation for Deep Learning-based Radio Modulation Classification

Liang Huang, Weijian Pan+4 more|arXiv (Cornell University)|Dec 6, 2019

Wireless Signal Modulation Classification参考文献 37被引用数 13

ひとこと要約

本稿では、限られた学習データにおける深層学習ベースの無線モデュレーション分類の精度向上を目的として、回転、反転、およびガウスノイズによるデータ拡張手法を提案する。LSTMベースの分類器を用いた結果、回転および反転による拡張手法がノイズベースの手法を著しく上回り、回転と反転を併用した拡張により、元のデータセットの75%のサイズで、未拡張の完全なデータセットを上回る精度が達成された。

ABSTRACT

Deep learning has recently been applied to automatically classify the modulation categories of received radio signals without manual experience. However, training deep learning models requires massive volume of data. An insufficient training data will cause serious overfitting problem and degrade the classification accuracy. To cope with small dataset, data augmentation has been widely used in image processing to expand the dataset and improve the robustness of deep learning models. However, in wireless communication areas, the effect of different data augmentation methods on radio modulation classification has not been studied yet. In this paper, we evaluate different data augmentation methods via a state-of-the-art deep learning-based modulation classifier. Based on the characteristics of modulated signals, three augmentation methods are considered, i.e., rotation, flip, and Gaussian noise, which can be applied in both training phase and inference phase of the deep learning algorithm. Numerical results show that all three augmentation methods can improve the classification accuracy. Among which, the rotation augmentation method outperforms the flip method, both of which achieve higher classification accuracy than the Gaussian noise method. Given only 12.5% of training dataset, a joint rotation and flip augmentation policy can achieve even higher classification accuracy than the baseline with initial 100% training dataset without augmentation. Furthermore, with data augmentation, radio modulation categories can be successfully classified using shorter radio samples, leading to a simplified deep learning model and shorter the classification response time.

研究の動機と目的

• 深層学習ベースのモデュレーション分類におけるラベル付き無線信号データの不足という課題に対処すること。
• 無線信号分類に特に適した、回転、反転、およびガウスノイズに基づくデータ拡張技術の有効性を評価すること。
• データ拡張により、分類精度を維持または向上させながら、必要な学習データサイズを削減できるかどうかを特定すること。
• 効果的なデータ拡張を組み合わせることで、短い信号サンプルを用いた分類が可能かどうかを調査すること。
• モデルのロバストネスと低SNRおよびデータが乏しい状況下での推論速度を向上させるために、拡張戦略を最適化すること。

提案手法

• 四元位相シフトキーイング（QPSK）およびその他の変調信号の信号点図に対して、ラベルの一貫性を保ちつつ回転および反転の拡張を適用する。
• 実際の通信チャネルの劣化を模擬し、モデルのロバストネスを向上させるために、ガウスノイズによる拡張を導入する。
• 汎化性能を向上させるために、訓練時および推論時における拡張（トレイン・テスト時拡張）を実装する。
• 評価の基準として、最先端の長短期記憶（LSTM）ネットワークを分類器として採用する。
• 信号対ノイズ比（SNRs）やデータセットサイズ（12.5%および64点の信号サンプルを含む）を変化させた上で、性能を評価する。
• データセットの拡張と分類精度の最大化を目的として、回転と反転を統合した共同拡張ポリシーを設計する。

実験結果

リサーチクエスチョン

• RQ1 回転、反転、およびガウスノイズによるデータ拡張手法は、深層学習ベースの無線モデュレーション分類器の分類精度にどのように影響を与えるか？
• RQ2 限られた学習データ下で、回転、反転、ガウスノイズのうち、どのデータ拡張手法が最も高い分類精度を達成するか？
• RQ3 回転と反転の併用による拡張は、個別の手法を上回り、未拡張の完全なデータセットと同等またはそれ以上の性能を達成できるか？
• RQ4 どの程度までデータ拡張により分類に必要な信号長を短縮できるか。また、これによりモデルの複雑さと推論時間にどのような影響があるか？
• RQ5 訓練時と推論時に両方で拡張を適用する（トレイン・テスト時拡張）ことで、訓練時のみの拡張に比べ、モデルのロバストネスと精度が向上するか？

主な発見

• 回転拡張が3つの手法の中で最高の分類精度を達成し、次に反転、ガウスノイズ拡張が最も低い性能を示した。
• 元の学習データセットの12.5%のみを用い、回転と反転を併用した拡張ポリシーにより、データセットを元の75%のサイズに拡張し、未拡張の100%データを用いたベースラインよりも高い分類精度を達成した。
• QAM16とQAM64の混同が、回転と反転を併用した拡張下で顕著に減少し、個別の手法を上回った。
• 回転と反転の拡張ポリシーにガウスノイズを追加すると、分類精度がわずかに低下した。これは、このタスクにおいてノイズ拡張が効果的でないことを示唆している。
• 128点の信号サンプルから64点の信号サンプルに短縮することで、モデルパラメータ数が201.1Kから54.1Kに、推論に必要なFLOPsは2.8Kから1.4Kに削減され、より高速な推論が可能になった。
• 回転と反転の併用拡張を適用した場合、64点の信号サンプルは高SNR条件下で128点のベースラインよりも1%高い分類精度を達成し、優れたデータ効率を示した。