[论文解读] Hybrid Maximum Likelihood Based 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被引用 1

一句话总结

本文提出一种基于广义期望最大化（GEM）算法的混合最大似然（HML）调制分类方案，用于在多个传感器中联合估计未知的时偏移、相位偏移和信号幅度。该方法在仅每传感器数百个样本的情况下，于低信噪比（SNR）环境下实现了优越的分类性能，结合模拟退火进行初始化后，显著优于单传感器方法。

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

• 解决多传感器系统中在未知时偏移、相位偏移和信号幅度条件下自动调制分类的挑战。
• 提升在传统方法失效的低信噪比（SNR）环境下的分类准确性。
• 开发一种计算效率高的算法，仅使用每传感器极少的数据，即可实现时偏移与相位同步、功率估计和调制分类的联合处理。
• 展示在低SNR环境下，多传感器融合相比单传感器分类的优势。

提出的方法

• 采用广义期望最大化（GEM）算法，数值计算未知参数（包括时偏移、相位偏移和接收信号幅度）的最大似然（ML）估计。
• 将基于GEM的估计集成到混合最大似然（HML）分类框架中，联合优化同步与调制分类。
• 使用模拟退火结合均匀与非均匀网格，为GEM算法生成高质量的初始参数估计，提升收敛性与性能。
• 仅处理每传感器少量样本（约数百个），在单一处理流程中完成时偏移与相位同步、信号功率估计和调制分类。
• 利用多个传感器节点的数据提升估计精度与分类可靠性，尤其在低SNR条件下表现更优。

实验结果

研究问题

• RQ1 基于GEM的HML框架能否有效实现多传感器系统中未知同步参数下的线性调制分类？
• RQ2 在低SNR条件下，多传感器融合相比单传感器系统如何提升调制分类性能？
• RQ3 不同的初始化策略——均匀网格与非均匀网格——对基于GEM的分类算法性能有何影响？
• RQ4 该方法在每传感器仅数百个样本的条件下，能在多大程度上实现准确分类？

主要发现

• 与单传感器方法相比，所提出的基于GEM的HML方案在低SNR环境下显著提升了调制分类性能。
• 使用模拟退火结合非均匀网格进行初始化，相比均匀网格能实现更好的收敛性与更高的分类准确率。
• 该算法仅使用每传感器数百个样本，即可实现对时偏移、相位偏移和信号幅度的有效联合估计。
• 多传感器部署通过分布式观测提升参数估计精度，显著增强了低SNR条件下的分类可靠性。