[论文解读] 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 7

一句话总结

该论文提出了一种广义期望最大化（GEM）算法，用于使用多个传感器进行异步线性调制分类，联合估计未知的时偏移、相位偏移和信号幅度，以提高分类准确率。在每个传感器仅有约100个样本且通过模拟退火法进行良好初始化的情况下，该方法在性能上接近理论上限，在低信噪比（SNR）区域显著优于单传感器和传统方法。

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.

研究动机与目标

• 解决在非合作、异步环境中存在未知时偏移、相位偏移和幅度偏移时的自动调制分类（AMC）挑战。
• 在传统方法因残留同步误差而失效的低信噪比条件下，提升AMC性能。
• 开发一种计算高效的混合最大似然（HML）分类方案，利用广义EM算法联合估计多个传感器中的未知参数。
• 证明增加传感器数量可显著提高分类准确率，前提是为GEM算法提供有效的初始化。
• 提供一种实用解决方案，每个传感器仅需少量样本（约几百个），适用于实时认知无线电应用。

提出的方法

• 构建集中式数据融合模型，多个传感器将原始观测数据发送至融合中心，实现联合调制分类。
• 基于广义期望最大化（GEM）算法开发一种混合最大似然（HML）分类器，以同时估计未知的时偏移、相位偏移和信号幅度。
• 使用模拟退火（SA）结合均匀和非均匀网格，为GEM算法生成高质量初始估计，提升收敛性和性能。
• 迭代应用GEM算法，以在未知参数存在的情况下最大化似然函数，避免难以求解的闭式解。
• 将时间/相位同步和信号功率估计整合到与调制分类相同的框架中，减少对独立同步阶段的需求。
• 将所提出的基于GEM的分类器与基线方法进行比较，包括初始化不佳的EM方法、单传感器分类方法，以及具有完美时偏移知识的“先知”qHLRT分类器。

实验结果

研究问题

• RQ1 基于GEM的HML分类器能否联合估计时偏移、相位偏移和信号幅度，从而在异步多传感器系统中提升调制分类准确率？
• RQ2 在低信噪比条件下，所提出的基于GEM的AMC方法的性能如何随传感器数量增加而变化？
• RQ3 初始化选择（如模拟退火与随机扰动）在多大程度上影响GEM算法在AMC中的收敛性和准确性？
• RQ4 当完全掌握时偏移信息时，所提方法能多接近理论性能上限？
• RQ5 当每个传感器仅使用少量样本（如N=100）时，该方法是否仍能保持高分类准确率？

主要发现

• 在每个传感器仅有100个样本且采用模拟退火法初始化的情况下，所提出的基于GEM的分类器性能几乎与假设已知时偏移的“先知”EM分类器完全一致。
• 在良好初始化条件下，传感器数量从L=1增加到L=5时，性能提升显著，尤其在低信噪比区域。
• 在分类过程中忽略时偏移会导致性能极差，证实必须显式建模异步效应。
• 即使qHLRT方法已知真实噪声方差，所提出的GEM方法仍优于其性能，原因在于qHLRT中存在次优的矩估计器。
• 在良好初始化下，基于GEM的分类器即使未知信道增益或相位，也能实现接近最优的性能，展现出鲁棒性和有效性。
• 该方法在仅需每个传感器几百个样本的情况下，仍保持高计算效率和有效性，适用于实时认知无线电应用。