[论文解读] Open Set Modulation Recognition Based on Dual-Channel LSTM Model

Youwei Guo, Hongyu Jiang+2 more|arXiv (Cornell University)|Feb 27, 2020

Wireless Signal Modulation Classification参考文献 12被引用 14

一句话总结

该论文提出了一种新型的开放集调制识别方法，采用双通道长短期记忆网络（DC-LSTM），结合中心损失和威布尔分布拟合。通过将I/Q分量与幅度/相位分量转换为两个归一化矩阵，模型学习到具有序列相关性的判别性特征，在11种调制类型（信噪比0–18 dB）下实现了90.2%的平均准确率，相较于基线模型，开放集识别性能提升了14.2%。

ABSTRACT

Deep neural networks have achieved great success in computer vision, speech recognition and many other areas. The potential of recurrent neural networks especially the Long Short-Term Memory (LSTM) for open set communication signal modulation recognition is investigated in this letter. Time-domain sampled signals are first converted to two normalized matrices which will be fed into a four layer Dual-Channel LSTM network tailored for open set modulation recognition. With two cascaded Dual-Channel LSTM layers, the designed network can automatically learn sequence-correlated features from the raw data. With center loss and weibull distribution, proposed algorithm can recognize partial open set modulations. Experiments on the public RadioML dataset indicates that different analog and digital modulations can be effectively classified by the proposed model, while partial open set modulations can be recognized. Quantitative analysis on the dataset shows that the proposed method can achieve an average accuracy of 90.2% at varying SNR ranging from 0dB to 18dB in classifying the considered 11 classes, while accuracy of open set experiment dramatically improved by 14.2%.

研究动机与目标

• 为解决推理过程中可能出现未知调制类型时的开放集调制识别挑战。
• 通过实现对未见过的调制类别检测，提升自动调制识别的泛化能力。
• 结合深度学习与基于威布尔分布的统计异常检测，实现鲁棒的开放集分类。
• 开发一种既可分又具有判别性的特征学习框架，以提升识别性能。

提出的方法

• 将接收的复基带信号转换为两个实值矩阵：一个用于同相与 quadrature（I/Q）分量，另一个用于幅度与相位（A/P），均通过信号能量进行归一化。
• 采用四层DC-LSTM架构处理双通道序列，其中两个级联的双通道LSTM层分别从I/Q和A/P分量中提取时间相关性。
• 在倒数第二层应用中心损失，以促进已知类别内部特征的紧凑性，增强判别能力。
• 对特征与类别中心之间距离的分布进行威布尔分布拟合，以建模正常样本的尾部分布，从而实现对未知类别的异常检测。
• 最终分类层使用Softmax，并基于威布尔分布的置信度阈值对输出进行修正，将分布外样本标记为“未知”。
• 模型训练联合使用交叉熵损失与中心损失，且在训练过程中动态更新特征中心。

实验结果

研究问题

• RQ1 在仅对部分调制类型进行训练的深度学习模型，是否能在推理阶段有效检测出未知调制类型？
• RQ2 与仅使用Softmax的标准模型相比，结合中心损失与威布尔分布如何提升开放集识别性能？
• RQ3 使用双通道I/Q与A/P表示对特征学习与分类准确率有何影响？
• RQ4 该模型在多大程度上能通过统计异常检测可靠地区分已知与未知调制类型？

主要发现

• 所提出的DC-LSTM模型在信噪比0 dB至18 dB范围内，对11种调制类型实现了90.2%的平均分类准确率，优于现有方法。
• 与仅使用Softmax的基线模型相比，开放集识别性能提升了14.2%，显著增强了对未知调制的检测能力。
• 特征可视化结果表明，未知调制类型在特征空间中形成与已知类别明显分离、不重叠的聚类中心，支持可靠检测。
• 采用中心损失与威布尔拟合的模型（CL-WF）在开放集场景下显著优于仅使用Softmax（SL-O）和Softmax+威布尔拟合（SL-WF）的基线模型。
• 消融实验表明，I/Q表示对性能的贡献高于A/P表示，验证了其在特征重要性上的优势。
• 尽管训练时间更长，但采用两级级联双通道结构的DC-LSTM架构在性能上优于单通道或双向变体。