[論文レビュー] Radar Emitter Classification with Attribute-specific Recurrent Neural Networks

Paolo Notaro, Magdalini Paschali+3 more|arXiv (Cornell University)|Nov 18, 2019

Wireless Signal Modulation Classification被引用数 6

ひとこと要約

本稿では、レーダー発信者分類のための属性特異的再帰的ニューラルネットワークと、新たな逐次ごとの正規化方式を提案する。この手法は、パルスストリーム内の時間的依存関係を効果的にモデル化することで、従来のディープラーニング手法に比べて精度と耐障害性を顕著に向上させる。本手法は64.98%のマクロ精度を達成し、最先端のベースラインを最大19%上回り、ノイズへの耐性が優れていることが示された。

ABSTRACT

Radar pulse streams exhibit increasingly complex temporal patterns and can no longer rely on a purely value-based analysis of the pulse attributes for the purpose of emitter classification. In this paper, we employ Recurrent Neural Networks (RNNs) to efficiently model and exploit the temporal dependencies present inside pulse streams. With the purpose of enhancing the network prediction capability, we introduce two novel techniques: a per-sequence normalization, able to mine the useful temporal patterns; and attribute-specific RNN processing, capable of processing the extracted information effectively. The new techniques are evaluated with an ablation study and the proposed solution is compared to previous Deep Learning (DL) approaches. Finally, a comparative study on the robustness of the same approaches is conducted and its results are presented.

研究の動機と目的

• 複雑な電磁環境下における従来の値ベースのパルス属性分析の限界を解消すること。
• 従来のディープラーニング手法よりも、パルスストリーム内の時間的依存関係をより効果的にモデル化することで、レーダー発信者分類を向上させること。
• レーダー信号属性のノイズおよびばらつきに対してモデルの耐性を高めること。
• シーケンス内時間的パターンを保持しながら特徴表現を改善する正規化方式を開発すること。
• 発信者分類タスクにおいて、統合RNNや全結合アーキテクチャに比べ、属性特異的RNNの優位性を示すこと。

提案手法

• 本手法は、レーダーパルスストリームをパルス記述語（PDW）の系列として処理し、各パルスからM個の属性を抽出して長さTの系列Sを構築する。
• 2種類の正規化手法を適用する：データセット全体における最小-最大正規化と、各シーケンス内での個別属性範囲に基づく逐次ごとの正規化。
• 正規化された系列を、各属性ごとに分離した長短期記憶（LSTM）ネットワークに供給し、属性特異的な時間的モデリングを実現する。
• 属性特異的LSTMの出力を連結し、最終分類のための全結合層に渡す。
• 確率的勾配降下法を用いて学習を行い、交差エントロピー損失を最小化することで、最大の分類精度を最適化する。
• 提案された正規化と属性特異的RNNアーキテクチャは、アブレーションスタディおよび従来手法との比較を通じて評価される。

実験結果

リサーチクエスチョン

• RQ1 グローバル正規化と比較して、逐次ごとの正規化は、レーダーパルスストリーム内の時間的パターンの表現を向上させるか？
• RQ2 属性特異的RNN処理は、すべての属性に共通のRNNを用いる場合に比べ、より優れた分類性能を達成するか？
• RQ3 SVM、MLP、CNN、および従来のRNNベース手法と比較して、本手法の精度と耐障害性はどのように異なるか？
• RQ4 特に低SNRレベル下で、追加のガウスノイズ下でも、モデルの性能がどの程度維持されるか？
• RQ5 逐次ごとの正規化と属性特異的LSTMの組み合わせは、複雑な実世界のレーダー発信者分類タスクへの一般化性能をより高めるか？

主な発見

• 提案手法は、マクロ平均テスト精度64.98%を達成し、Liuら[12]を19%、Petrovら[7]を2%～12%上回った。
• アブレーションスタディにより、逐次ごとの正規化と属性特異的LSTMの組み合わせが最高の性能を発揮することが確認され、統合RNNに比べ2%～14%の向上が得られた。
• 追加のガウスノイズに対して優れた耐性を示し、20 dB SNRでPetrovら[7]に6%の性能優位性を示した。
• ResNet18[22]は高いノイズ耐性を示したが、本手法に比べ14%の精度で劣っており、時間的モデリングの利点が顕著に示された。
• 混同行列の結果、類似した発信者タイプ間の誤分類が最小限に抑えられ、予測結果は主に対角線上に集中していた。
• 逐次ごとの正規化は、離散化や標準化よりも効果的であり、シーケンス内時間的パターンをよりよく分離・保持していることが判明した。