Robust Deep Radio Frequency Spectrum Learning for Future Wireless Communications Systems阅读 2020

        探索如何设计一个强健的深度学习模型，能够在实际中使用RF数据的不同的无线通信场景中对未知数据泛化良好。我们分析，要想完成不同场景中rf学习的鲁棒性和实践性，必须对于SNR的选择和训练测试方法有独特的问题设计，比如SNR的训练步长，及测试集的选择。

数据生成：

        对于不同的场景，使用不同的设备参数设计。（USRP,LABVIEW）

网络设计：

         比较了CNN与RNN，CNN花费的训练时间更短，所以选择CNN。本文设计4层的CNN，包括两个卷积层，两个密集完全连接层，除了输出层使用SOFTmax函数，其余层使用RELU激活函数。卷积层使用2维的零padding在输入处以维持输入和输出的大小一致、使用Adam optimizer，交叉损失熵，在卷积层使用Glorot uniform初始化kernel,密集层使用He 正则初始化。

训练数据大小：

        使用不同比例的训练测试数据，发现50%及更多的数据用于训练时，精确度达到95%以上。

内容：

        1）探索了不同无线通信场景中的无线电频谱学习的训练和测试策略，研究SNR如何影响rf学习。

         a:训练和测试在一个固定SNR水平。（有一组有闭环功率控制或其他方法维持SNR的预定接收机对）可以在该情况中识别调制。

         b:训练测试在多个固定的SNR上，使用合适步长，可以在接收信号中捕获所有的变化。

         c:训练在多个固定的SNR上，测试在未训练数据上，情况更实际。

2）对三个无线通信问题的具体场景探索具体的RF学习应用和合适的性能评估：预期接收机对；在共享频谱中的用户类型和数量识别，含有干扰；频谱监测，旨在协调整个通信系统为了资源共享与性能最佳。

        

        a:针对自动调制分类问题，SNR固定，调制类型有10种，bpsk,qpsk……oqpsk,收集（0，0.5，12）snr变化数据，对于10类别的分类问题，使用100百万IQ样本。模型使用10db上的数据80%用于训练，20%用于测试，结果显示分类精确度达到97.81%.但是16QAM被错误分类为64QAM,64QAM被错分为128QAM（因为他们的星座点有重叠）。

        此外，使用0db数据训练另一个模型，两个模型使用0-10db的数据测试，结果发现当训练测试在同一个SNR时，效果优秀，但是其他的效果很差，再者，10db模型由于更好的数据质量，相比0db模型效果更好一点。

        b:4类的分类问题：①空信道②LTE在传输③wifi在传输④LTE和WIFI一起在传输。手机从（0，1，12）的每类10百万的IQ样本。每个场景使用4个SNR级别的2百万个数据，共计32百万样本用于训练，测试使用40万个样本，共计6.4百万样本。

        当训练在2 4 6 8 测试在同样级别时，精确度高达99.35%,本设计场景中，由于类的数量更少，类更好区分，效果比场景1 甚至更好。

        c:调制识别问题：因为接收信号的SNR变化可能变化很大，所以测试性能使用训练中未见的数据。数据使用同场景1 的数据。模型设计三种，①测试使用（0，0.5，3）的数据，训练去除1.5的数据。②测试使用（0，1，6）的数据，训练去除3的数据。③测试使用（0，2，12）的数据，训练去除6的数据。每个snr使用1.5百万样本，6个snr,10类共计90百万的样本数据用于训练，每个snr10类共计20百万样本。

        测试结果表明包含同样SNR的数据准确度很高，而未见数据的精确度变化很大，如③6达到43.63%精确度。似乎步长对泛化能力有影响，值得进一步思考。 细粒度效果更好。

        3）未来展望：

        a：训练和测试数据分布不同地场景如何泛化良好。

        b:真实的无线数据如何影响rf学习的性能。