Un conjunto de modelos de clasificación de modulación automática basados en conocimiento de dominio para diversas plataformas
Autores: Wei, Shengyun; Wang, Zhenyi; Sun, Zhaolong; Liao, Feifan; Li, Zhen; Zou, Li; Mi, Haibo
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un conjunto de modelos de clasificación de modulación automática basados en conocimiento de dominio para diversas plataformas
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Tipo de modulación
Señales de radio
Aprendizaje profundo
Clasificación automática de modulación
Red neuronal
Núcleos de convolución
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 37
Citaciones: Sin citaciones
Identificar el tipo de modulación de las señales de radio es un desafío tanto en aplicaciones militares como civiles, como el monitoreo de radio y la asignación de espectro. Esto se ha vuelto más difícil a medida que aumenta el número de tipos de señales y el entorno del canal se vuelve más complejo. Los métodos de clasificación automática de modulación (AMC) basados en aprendizaje profundo han logrado recientemente un rendimiento de vanguardia con grandes cantidades de datos. Sin embargo, los modelos existentes luchan por lograr el nivel de precisión requerido, garantizar un rendimiento en tiempo real en dispositivos periféricos y lograr un rendimiento de clasificación más alto en plataformas informáticas de alto rendimiento al implementarse en diversas plataformas. En este documento, presentamos una familia de modelos AMC basados en conocimientos del dominio de comunicación para diversas plataformas informáticas. Las propiedades estadísticas de orden superior de las señales, los métodos de aumento de datos personalizados y los núcleos de convolución de banda estrecha son los conocimientos del dominio que se emplean específicamente para la tarea de AMC y la columna vertebral de la red neuronal. Utilizamos convolución separable y convolución de profundidad limitada con muy pocas conexiones residuales para crear nuestro modelo liviano, que tiene solo 4.61k parámetros mientras mantiene la precisión. En las cuatro plataformas diferentes, la precisión de clasificación y el tiempo de inferencia superaron a los de los modelos livianos existentes. Mientras tanto, utilizamos el mecanismo de atención de exprimir y excitar, el módulo de mezcla de canales y la rama paralela de características expertas para mejorar la precisión de clasificación. En los tres conjuntos de datos de referencia más utilizados, los modelos de alta precisión lograron precisión promedio de vanguardia del 64.63%, 67.22% y 65.03%, respectivamente. Además, proponemos un marco genérico para evaluar la complejidad de los modelos de aprendizaje profundo y lo utilizamos para evaluar exhaustivamente las fortalezas de complejidad de los modelos propuestos.
Descripción
Identificar el tipo de modulación de las señales de radio es un desafío tanto en aplicaciones militares como civiles, como el monitoreo de radio y la asignación de espectro. Esto se ha vuelto más difícil a medida que aumenta el número de tipos de señales y el entorno del canal se vuelve más complejo. Los métodos de clasificación automática de modulación (AMC) basados en aprendizaje profundo han logrado recientemente un rendimiento de vanguardia con grandes cantidades de datos. Sin embargo, los modelos existentes luchan por lograr el nivel de precisión requerido, garantizar un rendimiento en tiempo real en dispositivos periféricos y lograr un rendimiento de clasificación más alto en plataformas informáticas de alto rendimiento al implementarse en diversas plataformas. En este documento, presentamos una familia de modelos AMC basados en conocimientos del dominio de comunicación para diversas plataformas informáticas. Las propiedades estadísticas de orden superior de las señales, los métodos de aumento de datos personalizados y los núcleos de convolución de banda estrecha son los conocimientos del dominio que se emplean específicamente para la tarea de AMC y la columna vertebral de la red neuronal. Utilizamos convolución separable y convolución de profundidad limitada con muy pocas conexiones residuales para crear nuestro modelo liviano, que tiene solo 4.61k parámetros mientras mantiene la precisión. En las cuatro plataformas diferentes, la precisión de clasificación y el tiempo de inferencia superaron a los de los modelos livianos existentes. Mientras tanto, utilizamos el mecanismo de atención de exprimir y excitar, el módulo de mezcla de canales y la rama paralela de características expertas para mejorar la precisión de clasificación. En los tres conjuntos de datos de referencia más utilizados, los modelos de alta precisión lograron precisión promedio de vanguardia del 64.63%, 67.22% y 65.03%, respectivamente. Además, proponemos un marco genérico para evaluar la complejidad de los modelos de aprendizaje profundo y lo utilizamos para evaluar exhaustivamente las fortalezas de complejidad de los modelos propuestos.