[论文解读] Mixing Signals: Data Augmentation Approach for Deep Learning Based Modulation Recognition

Xinjie Xu, Zhuangzhi Chen+6 more|arXiv (Cornell University)|Apr 5, 2022

Wireless Signal Modulation Classification被引用 12

一句话总结

本文提出了一种名为 Mixing Signals 的新型数据增强技术，用于基于深度学习的自动调制识别（AMR），通过混合相同调制类型的无线电信号对来提升模型泛化能力。该方法显著提高了分类准确率，尤其在低数据量场景和高信噪比（SNR）条件下表现突出，在部分数据集上相比基线方法准确率提升超过10%。

ABSTRACT

With the rapid development of deep learning, automatic modulation recognition (AMR), as an important task in cognitive radio, has gradually transformed from traditional feature extraction and classification to automatic classification by deep learning technology. However, deep learning models are data-driven methods, which often require a large amount of data as the training support. Data augmentation, as the strategy of expanding dataset, can improve the generalization of the deep learning models and thus improve the accuracy of the models to a certain extent. In this paper, for AMR of radio signals, we propose a data augmentation strategy based on mixing signals and consider four specific methods (Random Mixing, Maximum-Similarity-Mixing, $θ-$Similarity Mixing and n-times Random Mixing) to achieve data augmentation. Experiments show that our proposed method can improve the classification accuracy of deep learning based AMR models in the full public dataset RML2016.10a. In particular, for the case of a single signal-to-noise ratio signal set, the classification accuracy can be significantly improved, which verifies the effectiveness of the methods.

研究动机与目标

• 解决基于深度学习的自动调制识别（AMR）中标签化无线电信号数据有限的挑战。
• 提升模型泛化能力和分类准确率，特别是在训练数据稀缺的情况下。
• 开发一种简单但有效的、针对无线电信号特性的信号特定数据增强策略。
• 评估基于混合的增强方法与传统方法（如旋转、翻转和噪声注入）的对比效果。

提出的方法

• 提出一种基于信号混合的数据增强框架，通过组合同种调制类型的两个现有信号生成新的训练样本。
• 提出四种具体的混合策略：随机混合（RM）、最大相似性混合（MSM）、θ-相似性混合（θ-SM）以及n次随机混合（nRM）。
• 采用幅度加权的信号叠加方法生成混合信号，保留调制特征的同时提升数据多样性。
• 引入混合比例参数 $ l/L $ 控制每种信号在混合中的贡献度，关键实验中采用 $ l/L = 0.5 $。
• 在不同深度学习模型（如 ResNet）上应用该方法，并在不同SNR水平和数据集规模下评估性能。
• 将混合方法与传统增强技术（如旋转、高斯噪声）结合，评估其相互作用效应及模型鲁棒性。

实验结果

研究问题

• RQ1 混合相同调制类型的无线电信号是否能提升基于深度学习的AMR模型的泛化能力和准确率？
• RQ2 在低数据量场景下，所提出的混合策略与传统数据增强方法（如旋转和噪声注入）相比表现如何？
• RQ3 信噪比（SNR）对基于混合的增强方法的有效性有何影响？
• RQ4 不同混合策略（如RM、MSM、θ-SM、nRM）在不同数据规模下对模型性能有何影响？
• RQ5 将混合与其他增强技术结合是否能提升或降低模型性能？

主要发现

• Mixing Signals 方法在部分数据集上使分类准确率提升超过10%，尤其在单SNR场景下表现强劲，展现出在数据稀缺条件下的优异性能。
• 随机混合（RM）和n次随机混合（nRM）取得最高增益，其中RM在8 dB SNR下准确率最高提升6.14%。
• 该方法在高SNR水平（高于-6 dB）下最为有效，能增强特征学习并减少噪声干扰。
• 基于混合的方法优于传统增强技术（如高斯噪声注入），后者因合成样本中噪声过多而降低性能。
• 将混合与旋转结合可提升准确率（如 Rotation+nRM 达91.32%），但与噪声注入结合则损害性能，表明混合信号对噪声敏感。
• 不同增强策略之间耦合效应极小，表明混合方法不会使模型过度偏向特定增强模式。