[论文解读] Classification of Radio Signals and HF Transmission Modes with Deep Learning

Stefan Scholl|arXiv (Cornell University)|Jun 11, 2019

Wireless Signal Modulation Classification参考文献 11被引用 12

一句话总结

本文提出一种深度学习方法，直接利用原始IQ数据对HF无线电信号的传输模式进行分类，绕过传统的调制识别。该方法在包含18种HF模式、具有真实信道畸变的合成数据集上进行训练，最佳残差网络在低信噪比（SNR）条件下仍达到98%的准确率，证明了端到端学习在频谱监测和认知无线电应用中的有效性。

ABSTRACT

This paper investigates deep neural networks for radio signal classification. Instead of performing modulation recognition and combining it with further analysis methods, the classifier operates directly on the IQ data of the signals and outputs the transmission mode. A data set of radio signals of 18 different modes, that commonly occur in the HF radio band, is presented and used as a showcase example. The data set considers HF channel properties and is used to train four different deep neural network architectures. The results of the best networks show an excellent accuracy of up to 98%.

研究动机与目标

• 开发一种直接、数据驱动的方法，按传输模式对无线电信号进行分类，而不仅限于调制类型。
• 创建一个包含18种常见HF频段传输模式、并带有信道畸变的逼真合成数据集。
• 评估多种深度神经网络架构在复杂、重叠的HF信号端到端分类中的表现。
• 在低信噪比及真实传播条件（包括多径效应和频率偏移）下实现高分类准确率。
• 通过直接在IQ样本上进行网络训练，消除对手工特征工程的依赖。

提出的方法

• 训练数据包含120,000个IQ向量（2048个采样点，采样率为6 kHz），涵盖18种HF传输模式，包括模拟模式（AM、SSB）和数字模式（PSK31、RTTY、Olivia、MT63）。
• 信号通过纯文本、语音和图像合成生成，随后利用CCIR 520 HF信道模型进行畸变处理，模拟频率选择性衰落和多径效应。
• 数据集包含加性白高斯噪声（SNR范围为-10至+25 dB）、随机频率偏移（±250 Hz）和相位偏移，以模拟真实接收机的非理想特性。
• 训练了四种深度神经网络架构：经典CNN、全卷积网络、深层CNN（17层）和残差网络（41层），所有网络均采用批量归一化、Dropout和ReLU激活函数。
• 使用Adam优化算法进行训练，配备学习率调度器，批量大小为128，训练30个周期，以在准确率和训练效率之间取得平衡。
• 分类任务直接在IQ数据上执行，将原始信号输入映射到传输模式标签，无需中间特征提取步骤。

实验结果

研究问题

• RQ1 深度神经网络能否在不依赖手工特征的情况下，直接从IQ数据中实现对HF无线电信号的高精度分类？
• RQ2 在真实信道条件下，不同深度学习架构在分类18种多样化的HF传输模式时表现如何？
• RQ3 信号退化（如低信噪比、频率偏移）在真实HF环境中对分类性能的影响程度如何？
• RQ4 端到端学习在区分非常相似的模式（如RTTY45与RTTY50，或USB与LSB SSB）方面的有效性如何？
• RQ5 单一深度学习模型能否在HF频段常见的广泛SNR范围和信道畸变下实现良好泛化能力？

主要发现

• 残差网络在验证集上达到最高准确率94.1%，最佳表现时在SNR > 5 dB条件下准确率达98%。
• 即使在低信噪比（-5 dB）条件下，最佳模型仍保持超过90%的准确率，展现出对噪声和干扰的强鲁棒性。
• 相似模式之间的混淆极小：RTTY45与RTTY50极少被误分类，QPSK/BPSK模式之间仅出现轻微混淆。
• 深层CNN（17层）在训练时间显著更短（1.9小时）的情况下达到93.7%的准确率，优于残差网络（5.3小时）。
• 全卷积网络仅用0.7小时即达到90.3%的准确率，展现出速度与性能之间的良好权衡。
• 残差网络的混淆矩阵证实其在区分谱相似的几乎相同模式（如USB与LSB SSB）方面具有高度可靠性。