论文下载：Over the Air Deep Learning Based Radio Signal Classification

摘要

本文提出了基于深度学习的无线通信信号分类方法，并对其性能进行了研究。同时，本文还提出一种利用高阶矩和梯度提升树分类器的基线方法，并在一系列的配置和信道衰减条件下对比了这两种算法的性能。本文在仿真时考虑到了载波频偏、码元速率、多径衰减等因素的影响，并在实验室中用软件无线电对无线信号分类性能进行了无线测量，且把这两种方法的性能和训练方法均进行了对比。最后，对剩余的问题进行了讨论，且设想了一些利用这种技术的方法。

1.介绍

2.背景

2.1基线分类方法

1）统计特征提取

提取的特征包括高阶矩(HOM)和高阶统计量(HOC)，见表2：

2）决策准则

分类器选用XGBboost，因为它比单一的决策树、SVM等其他分类器性能要好。

2.2无线信道模型

当构建一个无线信道模型时，有很多对传输有影响的统计因素要考虑，无线信道的主要影响因素包括：

• 载波频偏（CFO)
• 码元速率偏置(SRO)
• 时延扩展
• 热噪声

2.3 深度学习分类方法

深度学习如今依赖反向传播和SGD来优化有大量参数的神经网络结构。神经网络由一系列的网络层组成，如卷积层，每一层的激活函数为线性修正单元（ReLU），代价函数为交叉熵损失函数，为防止过拟合，本文还对每个卷积层使用了批归一化（BN)，对每个全连接层使用了dropout，其他的层包含有soft-max、最大池化层等。

3.数据集产生方法

4.信号分类模型

4.1 基线方法

4.2 VGG分类方法

本文采用了VGG的网络结构来进行提取特征及分类，具体结构如下：

在这里要注意的是CNN网络结构的输入数据是每个信号样本归一化后的正交形式，并没有对原始数据进行任何特征提取和其他预处理。

4.2 ResNet分类方法

残差网络的分类方法如下：

5.性能分析