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。