[论文解读] Data Augmentation for Deep Learning-based Radio Modulation Classification

Liang Huang, Weijian Pan+4 more|arXiv (Cornell University)|Dec 6, 2019

Wireless Signal Modulation Classification参考文献 37被引用 13

一句话总结

本文针对深度学习在无线电调制分类中训练数据有限的问题，提出旋转、翻转和高斯噪声数据增强方法，以提升分类准确率。采用基于LSTM的分类器，旋转与翻转增强方法显著优于基于噪声的方法；联合使用旋转与翻转增强可在仅使用原始数据集15%的情况下，实现高于完整未增强数据集的分类准确率。

ABSTRACT

Deep learning has recently been applied to automatically classify the modulation categories of received radio signals without manual experience. However, training deep learning models requires massive volume of data. An insufficient training data will cause serious overfitting problem and degrade the classification accuracy. To cope with small dataset, data augmentation has been widely used in image processing to expand the dataset and improve the robustness of deep learning models. However, in wireless communication areas, the effect of different data augmentation methods on radio modulation classification has not been studied yet. In this paper, we evaluate different data augmentation methods via a state-of-the-art deep learning-based modulation classifier. Based on the characteristics of modulated signals, three augmentation methods are considered, i.e., rotation, flip, and Gaussian noise, which can be applied in both training phase and inference phase of the deep learning algorithm. Numerical results show that all three augmentation methods can improve the classification accuracy. Among which, the rotation augmentation method outperforms the flip method, both of which achieve higher classification accuracy than the Gaussian noise method. Given only 12.5% of training dataset, a joint rotation and flip augmentation policy can achieve even higher classification accuracy than the baseline with initial 100% training dataset without augmentation. Furthermore, with data augmentation, radio modulation categories can be successfully classified using shorter radio samples, leading to a simplified deep learning model and shorter the classification response time.

研究动机与目标

• 解决深度学习在无线电调制分类中因标注数据有限带来的挑战。
• 评估数据增强技术（旋转、翻转和高斯噪声）在无线电信号分类中的有效性。
• 确定数据增强是否可减少所需训练数据量，同时保持或提升分类准确率。
• 研究在结合有效数据增强时，是否可使用更短的信号样本进行分类。
• 优化增强策略，以提升在低信噪比和数据稀缺场景下的模型鲁棒性与推理速度。

提出的方法

• 对正 quadrature-phase-shift keying (QPSK) 和其他调制信号星座图应用旋转与翻转增强，保持标签一致性。
• 引入高斯噪声增强以模拟真实信道畸变，提升模型鲁棒性。
• 实施训练时与推理时增强（训练-测试时增强），以提升泛化能力。
• 采用最先进的长短期记忆（LSTM）网络作为基线分类器进行评估。
• 在不同信噪比（SNRs）和数据集大小下评估性能，包括12.5%和64点信号样本。
• 设计一种结合旋转与翻转的联合增强策略，以最大化数据集扩展与分类准确率。

实验结果

研究问题

• RQ1 旋转、翻转和高斯噪声数据增强方法如何影响基于深度学习的无线电调制分类器的分类准确率？
• RQ2 在训练数据有限的条件下，旋转、翻转或高斯噪声哪种数据增强方法能获得最高分类准确率？
• RQ3 是否可联合使用旋转与翻转增强，使其性能优于单独使用任一方法，并达到或超过完整未增强数据集的性能？
• RQ4 数据增强在多大程度上可减少实现准确分类所需的信号长度？这对模型复杂度与推理时间有何影响？
• RQ5 与仅训练时增强相比，在训练和推理阶段均应用增强（训练-测试时增强）是否能提升模型鲁棒性与准确率？

主要发现

• 旋转增强在三种方法中取得最高分类准确率，其次为翻转，而高斯噪声增强性能最低。
• 仅使用原始训练数据集12.5%时，联合旋转与翻转增强策略可将数据集扩展至原始大小的75%，并实现高于完整未增强数据集基线的分类准确率。
• 在联合旋转与翻转增强下，QAM16与QAM64之间的混淆显著减少，性能优于单独使用任一方法。
• 在联合旋转与翻转策略中加入高斯噪声会略微降低分类准确率，表明该任务中噪声增强效果较弱。
• 使用64点信号样本而非128点样本，可将模型参数从201.1K减少至54.1K，推理FLOPs从2.8K降至1.4K，实现更快推理。
• 在高信噪比下，使用联合旋转与翻转增强的64点信号样本，分类准确率比128点基线高出1%，证明了高效的数据利用能力。