[論文レビュー] Fast Deep Learning for Automatic Modulation Classification

Sharan Ramjee, Shengtai Ju+4 more|arXiv (Cornell University)|Jan 16, 2019

Wireless Signal Modulation Classification参考文献 35被引用数 136

ひとこと要約

この論文は自動変調分類のための5つの深層ニューラルアーキテクチャを評価し、訓練時間を劇的に削減する方法（PCA、サブサンプリング、SNRベースの訓練選択）を開発し、精度の損失を最小限に抑える。

ABSTRACT

In this work, we investigate the feasibility and effectiveness of employing deep learning algorithms for automatic recognition of the modulation type of received wireless communication signals from subsampled data. Recent work considered a GNU radio-based data set that mimics the imperfections in a real wireless channel and uses 10 different modulation types. A Convolutional Neural Network (CNN) architecture was then developed and shown to achieve performance that exceeds that of expert-based approaches. Here, we continue this line of work and investigate deep neural network architectures that deliver high classification accuracy. We identify three architectures - namely, a Convolutional Long Short-term Deep Neural Network (CLDNN), a Long Short-Term Memory neural network (LSTM), and a deep Residual Network (ResNet) - that lead to typical classification accuracy values around 90% at high SNR. We then study algorithms to reduce the training time by minimizing the size of the training data set, while incurring a minimal loss in classification accuracy. To this end, we demonstrate the performance of Principal Component Analysis in significantly reducing the training time, while maintaining good performance at low SNR. We also investigate subsampling techniques that further reduce the training time, and pave the way for online classification at high SNR. Finally, we identify representative SNR values for training each of the candidate architectures, and consequently, realize drastic reductions of the training time, with negligible loss in classification accuracy.

研究の動機と目的

• さまざまなSNRの範囲で変調分類精度を最大化する深層ニューラルネットワークアーキテクチャを特定する。
• CNN、DenseNet、CLDNN、LSTM、ResNet の変調認識における性能を定量化する。
• 精度を大幅に損なうことなく、訓練時間を短縮する戦略（次元削減およびサブサンプリング）の開発と評価。

提案手法

• RadioML2016.10bデータセット上で、10種類の変調を対象に5つのアーキテクチャ（CNN、DenseNet、CLDNN、LSTM、ResNet）を比較する。
• 高SNRと低SNRの性能を評価し、異なる領域に最適なアーキテクチャを特定する。
• 入力次元を削減するためにPCAを適用し、精度と訓練時間への影響を評価する。
• 入力に対して一様サブサンプリング、ランダムサブサンプリング、振幅ベースのサブサンプリングを適用し、訓練時間の節約と精度を評価する。
• 代表的なSNR訓練値を調査し、最小限の精度低下で高速なオンライン/適応リトレーニングを可能にする。

実験結果

リサーチクエスチョン

• RQ1 SNR範囲 (-20 dB から 18 dB) 全体で、最も高い変調分類精度を示す深層ニューラルネットワークアーキテクチャはどれか？
• RQ2 PCA、サブサンプリング、またはSNRに焦点を当てた訓練などで、分類精度の最小限の低下で訓練時間を大幅に削減する方法は？
• RQ3 異なるSNR領域でのCLDNN、ResNet、LSTM の相対的な強みは？
• RQ4 次元削減およびサブサンプリング手法はオンラインリトレーニングの実現性にどのように影響するか？

主な発見

• CLDNN、ResNet、LSTM がトップパフォーマンスを達成し、高いSNRでの精度はLSTMおよびResNetで約92%程度。
• ResNetは高SNRで92%の精度を迅速な訓練（1エポックあたり58秒）で達成。
• LSTMとCLDNNは異なるSNR範囲で最良の性能を示す。低SNRではCLDNNとResNetが優れ、高SNRではLSTMとResNetが優れる。
• PCAは次元削減とともに訓練時間を線形に削減し、大幅な時間節約（報告値で約20倍に達することも）を、精度の損失が小さい（最大で約2%程度）で実現。
• サブサンプリング戦略（uniform、random、magnitude-based）も訓練時間を短縮し、アーキテクチャとSNR領域に応じて精度を保つことができる、トレードオフあり。
• 代表的な訓練SNR値を選択する（例: 2つのSNR）ことで、訓練時間を大幅に削減でき、特定のアーキテクチャ（特にLSTM）では精度損失はほとんどない。