[论文解读] Biologically Inspired Radio Signal Feature Extraction with Sparse Denoising Autoencoders

Benjamin Migliori, Riley Zeller-Townson+2 more|arXiv (Cornell University)|May 17, 2016

Wireless Signal Modulation Classification参考文献 9被引用 9

一句话总结

本文提出了一种受生物学启发的、无需模型的自动调制分类（AMC）方法，采用堆叠稀疏去噪自编码器（SSDAs）直接从原始I/Q无线电信号中学习分层特征。该方法在6分类AMC任务中，于7.5 dB信噪比下实现超过99%的分类准确率，在0 dB信噪比下实现超过92%的准确率，且无需依赖专家定义的特征或先验信号模型。

ABSTRACT

Automatic modulation classification (AMC) is an important task for modern communication systems; however, it is a challenging problem when signal features and precise models for generating each modulation may be unknown. We present a new biologically-inspired AMC method without the need for models or manually specified features --- thus removing the requirement for expert prior knowledge. We accomplish this task using regularized stacked sparse denoising autoencoders (SSDAs). Our method selects efficient classification features directly from raw in-phase/quadrature (I/Q) radio signals in an unsupervised manner. These features are then used to construct higher-complexity abstract features which can be used for automatic modulation classification. We demonstrate this process using a dataset generated with a software defined radio, consisting of random input bits encoded in 100-sample segments of various common digital radio modulations. Our results show correct classification rates of > 99% at 7.5 dB signal-to-noise ratio (SNR) and > 92% at 0 dB SNR in a 6-way classification test. Our experiments demonstrate a dramatically new and broadly applicable mechanism for performing AMC and related tasks without the need for expert-defined or modulation-specific signal information.

研究动机与目标

• 解决在非合作、噪声环境中缺乏先验信号模型或专家知识时的自动调制分类（AMC）挑战。
• 开发一种特征提取框架，通过从原始无线电信号中学习分层、稀疏且鲁棒的表示，模仿生物感官系统。
• 证明受生物学启发的神经网络原理（如稀疏性和无监督预训练）可在无需调制特定设计的情况下实现高性能AMC。
• 通过最少的信号样本（100个I/Q点）和可泛化的特征，在多种调制类型间实现快速、低延迟分类（微秒级）。

提出的方法

• 该方法采用堆叠稀疏去噪自编码器（SSDAs）直接从白化处理后的原始同相和 quadrature（I/Q）信号样本中学习分层特征表示。
• 在隐藏层施加稀疏性约束，以强制生成类似生物感受野（如Gabor滤波器）的选择性、局部化特征检测器。
• 自编码器在原始I/Q信号上以无监督方式预训练，以提取低级特征，随后通过使用监督型Softmax分类器进行微调。
• 最终分类层使用多层感知机（MLP）将高维特征表示映射为人类可读的调制标签。
• 该架构设计为与传感器无关，其性能已在包含6种常见数字调制方式的100个样本I/Q段的软件定义无线电（SDR）数据集上得到验证。
• 该系统还被实现为脉冲神经网络（SNN），性能几乎完全相同，表明其在神经形态硬件上的广泛适用性。

实验结果

研究问题

• RQ1 受生物学启发的神经网络是否能在无先验信号模型或专家定义特征的情况下，学习到有效且通用的无线电信号调制分类特征？
• RQ2 在噪声或未见环境条件下，堆叠去噪自编码器中的稀疏性和无监督预训练在多大程度上提升了AMC性能？
• RQ3 一种在自然图像上学习到Gabor样感受野的系统，是否也能从非生物信号（如I/Q无线电信号波形）中提取有用特征？
• RQ4 与传统的基于似然或基于特征的AMC方法相比，所提方法在准确率、鲁棒性和计算效率方面表现如何？
• RQ5 使用如稀疏编码和分层抽象等受生物学启发的原理，是否能提升在未建模噪声环境下的泛化能力？

主要发现

• 所提出的基于SSDA的方法在6分类调制分类任务中，于7.5 dB信噪比（SNR）下实现超过99%的分类准确率。
• 在0 dB SNR下，系统仍保持超过92%的分类准确率，表明其在无显式噪声建模训练条件下的强噪声鲁棒性。
• 即使在未建模噪声条件下，该方法仍表现具有竞争力，且随着稀疏性和持续性约束的增加，性能进一步提升。
• 系统在消费级笔记本电脑上每决策实现微秒级分类，表明具备高速推理能力。
• 当该架构以脉冲神经网络（SNN）形式实现时，同样获得相同性能，证实其在能效型神经形态部署中的潜力。
• 结果验证了受生物学启发的原理（如稀疏编码和分层抽象）可有效迁移至非生物感官领域（如无线电信号处理），即使输入并非生物真实信号。