调制识别论文笔记1----Spatial Transformer Networks保持空间不变性

论文题目：Modulation Classification using Convolutional Neural Networks and Spatial Transformer Networks
论文地址

1.主要思想
应用spatial transformer network确保原始IQ信号不受信道条件的影响。
研究了将STN应用到CNN上对不同过采样率下分类正确率的影响。
2.背景介绍
首先介绍了调制识别从军事向无线通信领域的发展
然后介绍了基于似然比和基于特征的两种传统调制识别方法，分类方法逐渐向机器学习，深度学习CNN过渡，并指出CNN分类传统IQ信号的优点。
本文将IQ信号作为网络输入，STN用于针对随机信道效应对输入进行标准化。
3.网络模型
先介绍了系统模型，也就是接收信号，解释了过采样率M的概念。
论文将1xN的复信号转换为2xN的实信号作为CNN的输入。
介绍了CNN的两个主要模块：
卷积模块从2D和3D模块获取特征，
全连接模块搜集获取的特征用于分类。
STN用作CNN的输入用来保持空间不变性。
localisation用来产生参数，这些转换参数用来创建一个采样网格，采样器用这个网格产生转换输出。
一些细节设置：在STN和CNN的第一个denseLayer采用dropout
L1用于交叉熵损失函数。Adam/SGD优化器。
4.实验部分
考虑到Radio数据没有考虑OFDM信号，并且过采样因子只有8，因而采用相同的编码生成包含OFDM和过采样因子2,4,6,8的数据。
还通过增加时间误差对信道模型进行了修正。时序误差模型遵循一个剪切的随机游走过程来模拟样本时钟漂移（什么意思？）。将过程的标准差增加到1，其最大值为采样率的10%。
5.实验结果
实验了不同过采样因子下的混淆矩阵，发现大多数的误分类来自于QAM16和QAM64,。
另外实验了不同SNR下的STN的影响，发现STN对低过采样率时的性能提升效果更好。这是由于低过采样率下，定时误差增加了信号的严重失真，而STN可以有效克服这一影响。
实验了和基于累积量的对比，发现较低采样率下提升明显。采样率越高，STN的性能提升越小。
6.几点思考
1.本文没有开源代码。
2.本文并没有详细说明transformer layer是如何实现的，以及如何保持这种空间不变性的。
3.或可借鉴这种模型思路，改进到其他网络模型中。
4.数据方面添加OFDM的意义是什么呢？本文也显示了OFDM的误判概率很低。
5.该模型在定时、频偏、多径衰落上的性能并未给出。