[论文解读] SigNet: An Advanced Deep Learning Framework for Radio Signal Classification

Zhuangzhi Chen, Hui Cui+7 more|arXiv (Cornell University)|Oct 28, 2020

Wireless Signal Modulation Classification参考文献 39被引用 7

一句话总结

SigNet 是一种新颖的深度学习框架，通过信号到矩阵（S2M）算子将无线电信号转换为方形矩阵，并利用协同训练的卷积神经网络（CNN）进行分类，实现了最先进（SOTA）的性能。SigNet2.0 进一步通过引入一维卷积加速训练，其准确率相比 1D-ResNet 最高提升 70.5%，训练时间相比 LSTM 最多减少 88%，同时在仅使用 1% 训练数据的情况下仍保持强大的少样本学习能力。

ABSTRACT

Deep learning methods achieve great success in many areas due to their powerful feature extraction capabilities and end-to-end training mechanism, and recently they are also introduced for radio signal modulation classification. In this paper, we propose a novel deep learning framework called SigNet, where a signal-to-matrix (S2M) operator is adopted to convert the original signal into a square matrix first and is co-trained with a follow-up CNN architecture for classification. This model is further accelerated by integrating 1D convolution operators, leading to the upgraded model SigNet2.0. The experiments on two signal datasets show that both SigNet and SigNet2.0 outperform a number of well-known baselines, achieving the state-of-the-art performance. Notably, they obtain significantly higher accuracy than 1D-ResNet and 2D-CNN (at most increasing 70.5\%), while much faster than LSTM (at most saving 88.0\% training time). More interestingly, our proposed models behave extremely well in few-shot learning when a small training data set is provided. They can achieve a relatively high accuracy even when 1\% training data are kept, while other baseline models may lose their effectiveness much more quickly as the datasets get smaller. Such result suggests that SigNet/SigNet2.0 could be extremely useful in the situations where labeled signal data are difficult to obtain.

研究动机与目标

• 为解决无线电信号调制分类中标签数据稀缺的挑战，开发一种鲁棒的深度学习框架。
• 相比现有的深度学习模型（如 1D-ResNet、2D-CNN 和 LSTM），提升分类准确率和训练效率。
• 在仅提供少量标注数据的情况下，实现有效的少样本学习。
• 设计一种信号表示方法，以增强对无线电信号的特征提取能力。

提出的方法

• SigNet 框架使用信号到矩阵（S2M）算子，将原始无线电信号转换为方形矩阵，从而支持更优的空间特征学习。
• 采用卷积神经网络（CNN）与 S2M 算子进行端到端的协同训练，以优化信号分类性能。
• SigNet2.0 集成一维卷积层以加速训练，同时保持分类性能不变。
• S2M 变换保留了信号的时序与频谱特性，增强了判别性表征学习能力。
• 端到端训练使 S2M 变换与 CNN 分类器能够联合优化。
• 该框架在两个真实世界的无线电信号数据集上进行评估，以验证其在多样化条件下的性能表现。

实验结果

研究问题

• RQ1 与标准的一维或二维 CNN 相比，信号到矩阵的转换是否能提升基于深度学习的无线电信号调制分类准确率？
• RQ2 SigNet 在训练速度和推理准确率方面相较于 1D-ResNet 和 LSTM 模型表现如何？
• RQ3 当仅使用少量标注数据时，SigNet 能在多大程度上维持高分类准确率？
• RQ4 在 SigNet2.0 中集成一维卷积是否能显著缩短训练时间而不损失性能？

主要发现

• 在测试数据集上，SigNet 相比 1D-ResNet 最高实现 70.5% 的准确率提升，证明了其卓越的分类性能。
• 与 LSTM 相比，SigNet2.0 的训练时间最多减少 88.0%，显著提升了训练效率。
• 即使仅使用 1% 的训练数据，SigNet 仍能保持相对较高的准确率，优于基线模型在低数据场景下迅速下降的表现。
• S2M 变换实现了有效的特征提取，显著增强了模型的鲁棒性与泛化能力。
• SigNet2.0 在实现更快收敛的同时保持了高准确率，证明了一维卷积集成的有效性。
• 该模型展现出强大的少样本学习能力，适用于实际中标注信号数据有限的应用场景。