[论文解读] Real-Time Radio Technology and Modulation Classification via an LSTM Auto-Encoder

Ziqi Ke, Haris Vikalo|arXiv (Cornell University)|Nov 16, 2020

Wireless Signal Modulation Classification参考文献 23被引用 5

一句话总结

该论文提出了一种基于LSTM去噪自编码器的框架，用于实时无线电调制与通信技术分类，利用噪声IQ和PSD数据学习鲁棒的低维信号表征。该方法在显著降低计算成本的同时实现了最先进水平的准确率，使模型能够高效部署于低成本平台（如Raspberry Pi），其推理速度比基线模型快达6倍。

ABSTRACT

Identification of the type of communication technology and/or modulation scheme based on detected radio signal are challenging problems encountered in a variety of applications including spectrum allocation and radio interference mitigation. They are rendered difficult due to a growing number of emitter types and varied effects of real-world channels upon the radio signal. Existing spectrum monitoring techniques are capable of acquiring massive amounts of radio and real-time spectrum data using compact sensors deployed in a variety of settings. However, state-of-the-art methods that use such data to classify emitter types and detect communication schemes struggle to achieve required levels of accuracy at a computational efficiency that would allow their implementation on low-cost computational platforms. In this paper, we present a learning framework based on an LSTM denoising auto-encoder designed to automatically extract stable and robust features from noisy radio signals, and infer modulation or technology type using the learned features. The algorithm utilizes a compact neural network architecture readily implemented on a low-cost computational platform while exceeding state-of-the-art accuracy. Results on realistic synthetic as well as over-the-air radio data demonstrate that the proposed framework reliably and efficiently classifies received radio signals, often demonstrating superior performance compared to state-of-the-art methods.

研究动机与目标

• 解决在动态、噪声环境中对无线电调制与通信技术进行准确、实时分类的挑战。
• 克服传统基于特征的方法与深度学习方法在计算效率和对真实信道效应鲁棒性方面的局限性。
• 开发一种紧凑且可部署的模型，适用于低成本、边缘化的频谱监测系统。
• 实现在资源受限平台（如Raspberry Pi）上无需牺牲准确率的实时分类。

提出的方法

• 该框架使用基于LSTM的去噪自编码器，从无线电信号的幅度和相位数据中学习稳定、低维的表征。
• 在训练过程中，输入信号部分被注入噪声，自编码器在重建原始信号的同时学习判别性特征。
• 所学习的特征通过分类头用于推断调制或技术类型，实现特征学习与分类的联合优化。
• 模型在合成IQ数据（RadioML2018.01A）和来自Electrosense的真实空中PSD数据上进行端到端训练。
• 在技术分类任务中，模型处理功率谱密度（PSD）数据，扩展了其在基于IQ的调制识别之外的应用范围。
• 架构经过优化以提升推理效率，最大限度减少参数量、浮点运算次数（FLOPs）和内存占用，支持实时部署。

实验结果

研究问题

• RQ1 LSTM去噪自编码器能否有效从噪声无线电信号中提取出鲁棒的低维特征，以实现调制分类？
• RQ2 与VGG和残差网络等最先进深度学习模型相比，该框架在基于IQ的调制分类任务中的准确率和效率表现如何？
• RQ3 该框架是否可扩展至使用功率谱密度（PSD）数据而非IQ样本对无线电技术进行分类？
• RQ4 该模型在低成本边缘平台（如Raspberry Pi）上的推理速度与资源效率如何？
• RQ5 该模型在分布式频谱监测系统采集的真实空中信号上的泛化能力如何？

主要发现

• 所提出的模型在RadioML2018.01A数据集上实现了最先进水平的top-1分类准确率，优于VGG和残差网络基线模型。
• 在Raspberry Pi 4上，模型每秒可完成约24.43次分类，比残差网络快2.4倍，比VGG快1.6倍。
• 在Raspberry Pi 3上，模型比残差网络快2.4倍，比VGG快1.3倍，展现出在低端硬件上的强大效率。
• 对于Electrosense采集的真实空中PSD数据，模型的分类性能略优于标准LSTM，混淆矩阵显示对DVB与LTE等相似信号的区分能力有所提升。
• 在RadioML2018.01A数据集上，模型仅需14,989个可训练参数和242KB内存，显著优于VGG（236,344个参数）和残差网络（257,009个参数）。
• 在Raspberry Pi 4上，模型比LSTM快4.3倍，比LSTM在Raspberry Pi 3上快6倍，平均分类速率分别为12.79次/秒和6.45次/秒。