[論文レビュー] Asynchronous 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参考文献 20被引用数 7

ひとこと要約

本稿では、複数のセンサーを用いた非同期線形変調分類のための一般化期待最大化（GEM）アルゴリズムを提案する。未知の時間遅延、位相遅延、信号アテネーションを同時に推定することで分類精度を向上させる。センサー1つあたり約100サンプル、シミュレーテッド・アニーリングによる良好な初期化を用いることで、理論的上限に近い性能を達成し、低SNR領域において単一センサーおよび従来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

• 非協力的かつ非同期環境における自動変調分類（AMC）の課題に取り組むこと。特に、未知の時間遅延、位相遅延、アテネーションが存在する状況を想定する。
• 従来手法が残存する同期誤差のため失敗する低SNR条件下でのAMC性能を向上させること。
• 一般化EMアルゴリズムを用いた複数センサー間での未知パラメータの同時推定が可能な、計算効率の高いハイブリッド最尤（HML）分類方式を開発すること。
• GEMアルゴリズムのための有効な初期化と組み合わせて、センサー数を増加させることで分類精度が顕著に向上することを実証すること。
• リアルタイム認知無線応用に適した、センサー1つあたり数百サンプル程度の実用的ソリューションを提供すること。

提案手法

• 複数のセンサーが測定した生データを統合センターに送信し、中央集約型データ統合モデルを構築することで、複数センサーの同時変調分類を実現する。
• 一般化期待最大化（GEM）アルゴリズムに基づくハイブリッド最尤（HML）分類器を開発し、未知の時間遅延、位相遅延、信号アテネーションを同時に推定する。
• シミュレーテッド・アニーリング（SA）を用い、一様および非一様グリッドを用いてGEMアルゴリズムのための高品質な初期推定値を生成し、収束性と性能を向上させる。
• 未知パラメータが存在する状況下で尤度関数を反復的に最大化するため、GEMアルゴリズムを繰り返し適用し、閉形式解が得られない状況を回避する。
• 時間/位相同期処理と信号電力推定を、変調分類のフレームワーク内に統合することで、別個の同期ステージの必要性を低減する。
• 提案手法のGEMベース分類器を、初期化が悪いEM、単一センサー分類、時間遅延が正確に分かっている状態でのクラリベイントqHLRT分類器といったベースライン手法と比較する。

実験結果

リサーチクエスチョン

• RQ1 GEMベースのHML分類器は、非同期マルチセンサー環境下で時間遅延、位相遅延、信号アテネーションを同時に推定し、変調分類精度を向上させることができるか？
• RQ2 低SNR条件下で、センサー数の増加に伴い、提案手法の性能はどのように変化するか？
• RQ3 初期化の選択（例：シミュレーテッド・アニーリング対ランダム・パerturbation）が、GEMアルゴリズムの収束性および精度に与える影響はどの程度か？
• RQ4 時間遅延の完全な知識が得られた場合、提案手法は理論的性能上限にどの程度近づけるか？
• RQ5 センサー1つあたり少数のサンプル（例：N=100）で、提案手法は高い分類精度を維持できるか？

主な発見

• センサー1つあたり100サンプル、かつシミュレーテッド・アニーリングによる初期化を用いることで、提案GEMベース分類器は、時間遅延の完全な知識を仮定するクラリベイントEM分類器とほぼ同一の分類性能を達成した。
• 良好な初期化と組み合わせた場合、センサー数をL=5からL=1に増加させることで、特に低SNR領域において顕著な性能向上が得られた。
• 分類プロセスで時間遅延を無視すると、極めて劣悪な性能が得られ、非同期効果を明示的にモデル化する必要があることを確認した。
• qHLRT手法で真のノイズ分散が与えられても、提案GEMベース手法がそれを上回った。これは、qHLRTに組み込まれた最適でないモーメントベース推定器が原因である。
• 良好な初期化を用いたGEMベース分類器は、チャネル利得や位相を事前に知らない状態でも、近似的最適性能を達成した。これにより、ロバスト性と有効性が示された。
• 数百サンプル程度の少数のサンプルで、計算効率と有効性を維持した。これは、リアルタイム認知無線応用に適した条件を満たしている。