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。