An Optimized Radio Modulation Classifier Using Deep Neural Network阅读 2020

        文章提出了一个使用DL在不同的信噪比处区分不同调制类型的自动调制分类模型，通过选择合适的CNN超参数，优化了O‘shea的模型（“Convolutional radiomodulation recognition networks,2016”,性能超过基于专家特征的传统方法，对于不同任务学习特征具有灵活性，分类精确度提高），获得了每个SNR级别的最好的精确度，优化模型使用CNN4。

II. CLASSICAL RADIO MODULATOR CLASSIFIERS

        传统调制识别算法：基于可能性的LB，基于特征的FB。

        LB:低错误率，高精确度，但是高延迟分类，需要完全的先验知识。

        FB:包括特征提取:瞬时幅度、频率，高阶矩等和分类器：决策树，K最近邻，SVM等。

III. DEEP LEARNING

IV. MODERN RADIO MODULATOR CLASSIFIER

        很多现代无线调制分类器都是基于CNN，输入为2维的原始信号i，q时间序列。在O'shea的工作中，作者人工生成了一个无线通信信号的数据集，考虑实值信号环境。数据集分为RML2016.11a和RML2016.10b，前者有500Mbytes，包含8种数字调制方式 BPSK, QPSK,
8PSK, 16QAM,64QAM, BFSK, CPFSK and PAM4, 和3种模拟调制, WB-FM, AM-SSB, and AM-
DSB。后者3.5GB包含同样地8种数字调制和两种模拟调制WB-FM and AM-DSB.

        模型结构如下：

                                     

 

         2*2D的卷积层，分别跟着RELU激活函数，使得输出维度64*1*3，16*2*3，然后一个Dense 层加RELU激活函数，输出维度128，再输入一个Dense 层加softmax激活函数，最终输出10维（调制类型）向量。

V. THE PROPOSED CLASSIFICATION MODEL

         首先我们使用O'shea在大数据集RML2016.10b上的模型，为了在不同SNR得到最好分类性能，调整超参数：优化器类型、dropout rate、batch size, epochs数量。然后提出了一个CNN4模型，改变了dense 层的数量、每一层的滤波器维度。使用高性能cpu,NVIDIA 1060,keras API.                在600000个样本上训练，在600000个样本上测试，基于贝叶斯优化使用开源 Hyperopt 库估计学习率，不同的结构和超参数变化结合形成T1-T23共23个不同的训练模型情况。

        

         比较CNN2和CNN4的验证错误和训练损失错误，可以看到除了保留最佳验证损失用于评估之外，没有显著影响。CNN4相比CNN2多了两个dense层，在T16中滤波器尺寸2*256，2*80，在T23中，修改1，2层中的过滤器数量为32，64，3.4层中为64，128，batch_size1024，达到最好验证损失时，超过600000个样本上训练花费超过3h。

        不同结构和参数结合的结果如下：

A:优化器：

        T9和T10中使用两个优化器算法，patience参数都为5，btach_size都为1024，发现Adam相比Adamax 在各个snr性能都更好。

B Dropout rate :

         batch_size1024,使用Adam优化器，Dr(0.2,0.5,0.6,0.7)，结果如下：0dB，0.2和0.5的Dr精确度达到78%门限，-8到-4dB,0.6Dr获得最好的结果。

       

C BATCH Size

        使用512，1024，2048的batch size，实验表明最好的值为1024。

 

 D Finally

        改变卷积层&池化层（dense 层）的数量，CNN4多了两个卷积池化层。

         下表给出了模型对应测试参数的最佳性能。

         使用CNN4的T16在大于0dB的所有snr水平都拥有最佳性能，而0db以下nn不能正确提取想要的信号特征，未来需要进一步研究分析。在T23中，改变卷积过滤器的数量和kernel 大小，即CNN4中每一层的过滤器的宽度&高度，分类性能如下：

         下图比较了CNN2和CNN4(T16,T23),在18dB,T23达到89.59精确度，0-14dB，T16有更高的精确度，CNN2性能都低于他们。

         下面两图展示了18db的CNN2和CNN4的混淆矩阵，模拟调制双边带AM-DSB和widebandFM会发生混淆，QAM16,QAM64区分也比较困难，但是CNN4还是比CNN2更精确。

 

         下面两图展示了-6db的CNN2和CNN4的混淆矩阵，两者几乎获得一样的结果。

 未来展望：

        或许低SNR，未来通过调整参数的方法也可能找到合适的道路。