[论文解读] Classification of Common Waveforms Including a Watchdog for Unknown Signals

C. Tanner Fredieu, Justin M. Bui+4 more|arXiv (Cornell University)|Aug 16, 2021

Wireless Signal Modulation Classification参考文献 11被引用 4

一句话总结

该论文提出了一种两阶段深度学习框架，用于分类常见的雷达与通信波形（SC、SC-FDMA、OFDM、LFM），并在共享频谱中检测未知信号。该框架采用深度多层感知机进行分类，并利用基于CNN的自编码器与双均方根误差（RMSE）阈值检测未知波形，当信噪比高于0 dB时分类准确率达到100%，在0 dB信噪比下异常检测准确率达95%，且通过优化FFT尺寸提升了性能。

ABSTRACT

In this paper, we examine the use of a deep multi-layer perceptron model architecture to classify received signal samples as coming from one of four common waveforms, Single Carrier (SC), Single-Carrier Frequency Division Multiple Access (SC-FDMA), Orthogonal Frequency Division Multiplexing (OFDM), and Linear Frequency Modulation (LFM), used in communication and radar networks. Synchronization of the signals is not needed as we assume there is an unknown and uncompensated time and frequency offset. An autoencoder with a deep CNN architecture is also examined to create a new fifth classification category of an unknown waveform type. This is accomplished by calculating a minimum and maximum threshold values from the root mean square error (RMSE) of the radar and communication waveforms. The classifier and autoencoder work together to monitor a spectrum area to identify the common waveforms inside the area of operation along with detecting unknown waveforms. Results from testing showed the classifier had 100\% classification rate above 0 dB with accuracy of 83.2\% and 94.7\% at -10 dB and -5 dB, respectively, with signal impairments present. Results for the anomaly detector showed 85.3\% accuracy at 0 dB with 100\% at SNR greater than 0 dB with signal impairments present when using a high-value Fast Fourier Transform (FFT) size. Accurate detection rates decline as additional noise is introduced to the signals, with 78.1\% at -5 dB and 56.5\% at -10 dB. However, these low rates seen can be potentially mitigated by using even higher FFT sizes also shown in our results.

研究动机与目标

• 为解决雷达与通信系统之间的频谱共享挑战，实现实时波形分类与未知信号检测。
• 开发一种在真实信号失真（如频偏、相位偏移、IQ不平衡）条件下仍具鲁棒性且复杂度低的分类模型。
• 设计一种异常检测系统，通过卷积自编码器的重构误差识别未知波形。
• 通过优化FFT尺寸并采用多阈值RMSE区域，减少因信号重构间隙导致的误报，提升检测准确率。

提出的方法

• 训练一个深度多层感知机（MLP），将基带信号分类为四种类别：SC、SC-FDMA、OFDM和LFM。
• 使用FFT将信号转换至频域，取其幅度后进行功率谱密度（PSD）转换，作为异常检测器的输入。
• 卷积自编码器对输入信号进行重构，并计算输入与输出之间的均方根误差（RMSE），以检测异常。
• 从已知信号类别（雷达与通信）中推导出两个阈值（最小和最大RMSE），定义‘已知’区域；位于该范围之外的信号被标记为未知。
• 测试了三区域与五区域的阈值设计，以缩小雷达与通信信号RMSE分布之间的差距，提升检测鲁棒性。
• 采用较大的FFT尺寸（如16384），以在多径衰落和加性高斯白噪声（AWGN）条件下稳定性能，尤其在低信噪比时表现更优。

实验结果

研究问题

• RQ1 深度前馈网络是否能在真实失真条件下实现对常见雷达与通信波形的高精度分类？
• RQ2 基于CNN的自编码器结合RMSE阈值法，在共享频谱环境中检测未知波形的效率如何？
• RQ3 不同FFT尺寸对在噪声与衰落条件下的异常检测稳定性与准确率有何影响？
• RQ4 多阈值区域设计是否能减少因重构误差间隙导致的未知信号误分类？

主要发现

• 在信噪比高于0 dB时，分类器准确率达到100%；在-5 dB信噪比下准确率为94.7%，在-10 dB下为83.2%，且在信号失真条件下表现稳定。
• 采用三区域阈值设计的异常检测器在0 dB信噪比下准确率达95%，在AWGN下性能下降至-5 dB时为78.1%，-10 dB时为56.5%。
• 使用16384点FFT尺寸显著提升了检测的稳定性和准确率，尤其在多径衰落和低信噪比条件下表现突出。
• 五区域阈值设计优于两区域与三区域设计，通过减小雷达与通信信号重构误差之间的差距，使0 dB信噪比下的准确率超过95%。
• 更高的FFT尺寸，特别是接近信号最小长度的尺寸，增强了对AWGN的鲁棒性，并提升了检测的一致性。
• 得益于多阈值区域设计，系统在未知信号的重构误差落入已知信号RMSE范围时，仍能成功分类已知波形并检测未知信号。