[論文レビュー] Hybrid Maximum Likelihood Based Linear Modulation Classification with Multiple Sensors via Generalized EM Algorithm.

Onur Özdemir, Thakshila Wimalajeewa+3 more|arXiv (Cornell University)|Sep 30, 2014

Wireless Signal Modulation Classification被引用数 1

ひとこと要約

本論文は、複数のセンサー間で未知の時間遅延、位相遅延、信号振幅を同時に推定するために一般化期待最大化（GEM）アルゴリズムを用いたハイブリッド最大尤度（HML）変調分類方式を提案する。この手法は、サンプル数がセンサーあたり数百程度の限られたデータでも、低SNR環境下で優れた分類性能を達成し、初期化にシミュレーテッド・アニーリングを組み合わせることで、単一センサー手法を著しく上回る性能を発揮する。

ABSTRACT

In this paper, we consider the problem of automatic modulation classification with multiple sensors in the presence of unknown time offset, phase offset and received signal amplitude. We develop a novel hybrid maximum likelihood (HML) classification scheme based on a generalized expectation maximization (GEM) algorithm. GEM is capable of finding ML estimates numerically that are extremely hard to obtain otherwise. Assuming a good initialization technique is available for GEM, we show that the classification performance can be greatly improved with multiple sensors compared to that with a single sensor, especially when the signal-to-noise ratio (SNR) is low. We further demonstrate the superior performance of our approach when simulated annealing (SA) with uniform as well as nonuniform grids is employed for initialization of GEM in low SNR regions. The proposed GEM based approach employs only a small number of samples (in the order of hundreds) at a given sensor node to perform both time and phase synchronization, signal power estimation, followed by modulation classification. We provide simulation results to show the computational efficiency and effectiveness of the proposed algorithm.

研究の動機と目的

• 未知の時間遅延、位相遅延、信号振幅を伴うマルチセンサー環境下での自動変調分類の課題に対処すること。
• 従来の手法が失敗する低信号対雑音比（SNR）環境での分類精度を向上させること。
• センサーあたりのデータを最小限に抑えた計算効率の高いアルゴリズムを開発し、時間同期、電力推定、変調分類を統合的に実行すること。
• 低SNR領域におけるマルチセンサーフュージョンが単一センサーフュージョンに比べてどのような利点をもたらすかを実証すること。

提案手法

• 時間遅延、位相遅延、受信信号振幅を含む未知パラメータの最大尤度（ML）推定値を数値的に計算するために一般化期待最大化（GEM）アルゴリズムを採用する。
• GEMに基づく推定をハイブリッド最大尤度（HML）分類フレームワークに統合し、同期と変調分類を同時に最適化する。
• GEMアルゴリズムの収束性と性能を向上させるために、一様および非一様グリッドを用いたシミュレーテッド・アニーリングを用いて高品質な初期パラメータ推定値を生成する。
• センサーあたり数百程度の少数のサンプルを処理することで、時間・位相同期、信号電力推定、変調分類を一度のパイプライン処理で達成する。
• 複数のセンサーノードからのデータを活用し、推定精度と分類信頼性を向上させ、特に低SNR条件下での性能向上を実現する。

実験結果

リサーチクエスチョン

• RQ1 GEMに基づくHMLフレームワークは、未知の同期パラメータを有するマルチセンサーシステムにおいて、線形変調を効果的に分類できるか？
• RQ2 低SNR環境下で、マルチセンサーフュージョンは単一センサーシステムに比べてどのように変調分類性能を向上させるか？
• RQ3 一様グリッドと非一様グリッドの異なる初期化戦略が、GEMベース分類アルゴリズムの性能に与える影響は何か？
• RQ4 本手法は、センサーあたり数百程度のサンプルで、どの程度の精度で分類を達成できるか？

主な発見

• 提案されたGEMベースHML方式は、単一センサーフュージョンに比べ、低SNR環境下での変調分類性能を顕著に向上させる。
• 非一様グリッドを用いたシミュレーテッド・アニーリングによる初期化は、一様グリッドに比べ、収束性と分類精度が優れている。
• センサーあたり数百のサンプルで十分な時間遅延、位相遅延、信号振幅の同時推定が実現可能である。
• マルチセンサーデプロイメントにより、分散観測からのパラメータ推定精度が向上し、特に低SNR条件下で分類信頼性が向上する。