《Knowledge-Based Systems》:Automatic Modulation Classification using Fractional S Transform and semi-supervised learning with confidence-guided consistency regularization
编辑推荐:
本文提出一种基于半监督学习的自动调制分类新方法,结合自监督一致性正则化增强特征表示和分类性能。通过分数S变换(FrST)生成高分辨率时频图像,并设计三种语义保持增强策略(加性高斯白噪声、缩放变换、瑞利平坦衰落)构建弱增强和双强增强视图。一致性损失在强增强视图间加权正则化,通过可学习置信度引导更可靠的分类方向,显著优于现有方法尤其在标注数据稀缺场景。
Anwr Hasan Yahya Hasan Hasan Abohadi|宁波朱|Amal Abdullah Mohammed Mohammed Yayah|郭卫华|Ali M. Alsaih
湖南大学计算机科学与电子工程学院,中国长沙410012
摘要 自动调制分类(AMC)是认知无线电中的关键组成部分,它支持接收信号的调制类型进行自动识别。近年来,深度学习方法被广泛采用以提高AMC的性能。鉴于标记调制信号的稀缺性,半监督学习和自监督表示学习方法在AMC方面取得了显著进展,旨在利用额外的未标记样本来提高预测模型的泛化能力。本文提出了一种新颖的半监督AMC方法,该方法利用自监督表示学习来增强特征表示和分类性能。具体来说,通过在信号的两种强增强视图之间施加自监督一致性正则化来促进一致性。每个预测都通过一个可学习的置信度量进行加权,该置信度量使用同一信号的弱增强视图作为锚点进行估计,从而引导一致性损失朝向更可靠的分支。采用了三种保留语义的增强策略来生成两个强增强视图和一个弱增强视图;这些视图使用分数S变换(FrST)转换到时频域。在RML2016.10A和RML2016.04C数据集上的大量实验表明,所提出的方法在标记数据极度稀缺的情况下显著优于其他方法。
引言 调制是通信系统中的一个基本过程,其中载波信号根据信息信号进行系统性的改变。虽然早期的通信系统使用有限的约定调制方案进行协作,但无线技术的迅速发展、异构设备的普及以及频谱共享范式的演变产生了开放且不协调的环境,在这种环境中,发射机通常不进行协作,因此需要能够无需预先知道调制参数即可处理信号的智能接收机。自动调制分类(AMC)因此成为非协作通信系统中智能信号处理的关键技术,支持军事侦察、认知无线电和动态频谱管理等关键应用。通过实现调制方案的自主识别,AMC促进了自适应解调,提高了频谱效率,并在日益拥挤和复杂的电磁环境中增强了态势感知。
有效AMC方法的发展最近在信号处理和通信领域引起了越来越多的关注。早期的AMC方法通常分为基于似然理论(LB)[1]和基于特征(FB)[2]的方法。尽管LB方法在理想条件下可以达到最佳的分类精度,但它们计算要求高且依赖于信号参数的先验知识,这使得它们在实际应用中不太吸引人。另一方面,FB方法需要手动特征提取,并且通常使用具有有限表示能力的传统机器学习(ML)分类器。
最近,基于深度学习(DL)的AMC方法显示出显著提高分类性能的潜力。与传统ML算法不同,DL模型可以直接从原始输入数据中自动提取信息特征,这得益于分层表示学习。已经开发了基于DL的AMC方法,使用了多种神经架构,包括卷积神经网络(CNN)[3]、[4]、[5]、循环神经网络(RNN)[6]、图卷积网络(GCN)[8]、[9]和Transformer [10]、[11]。尽管它们的性能很有前景,但对大量标记训练数据的依赖仍然是一个主要限制,因为稀少的注释可能导致过拟合,从而降低对未见信号或变化信道条件的泛化能力。
为了解决这一挑战,半监督学习(SSL)提供了一个强大的范式,其中模型使用少量标记样本和大量未标记数据进行训练。基于SSL的AMC框架主要遵循两种策略进行开发:伪标记[12]、[13]和一致性正则化[14]。几项最近的研究将这两种策略整合到一个统一的框架中[15]、[16],其中伪标记用于加强信号的一个或多个弱增强视图与强增强视图之间的一致性。此外,对比学习(CL)这种自监督表示学习范式也被纳入了几项最近的工作[17]、[18]、[19]、[20]中。SSL在逻辑水平上应用一致性损失,而CL在特征水平上施加一致性。通常,CL通过对同一信号的不同扰动视图之间的最大一致性来预训练编码器。然后使用该编码器提取信息隐藏特征,这些特征可以通过少量标记样本的微调传递到下游任务中。
此外,一些研究尝试将CL和SSL范式结合用于AMC任务[21]、[22],其中CL用于学习区分性特征表示,从而为基于SSL的AMC框架获得更强的特征编码器。然而,这些方法主要增强了编码器,可能不会转化为相应的分类性能提升。为了缓解这一限制,本研究旨在通过利用类-逻辑水平的自监督来共同增强编码器和分类器,而不是像[21]、[22]那样仅在特征水平上进行。所提出的框架受到ConMatch [23]的启发,ConMatch引入了一个由一个弱增强样本和两个强增强样本组成的三视图结构,并通过一个可学习的置信度权重来强制强-强逻辑级别的一致性,以稳定学习过程。虽然ConMatch最初是为视觉SSL开发的,但该范式在本工作中被适应到AMC领域,并通过面向领域的扰动设计和针对通信信号的表示流程进行了进一步扩展。与基于图像的设置不同,AMC问题需要反映真实信道行为的扰动。因此,使用在无线环境中常见的保留语义的变换构建了三个视图,包括加性白高斯噪声、缩放变换和莱斯平坦衰落,确保保留了依赖于调制的结构。此外,与[16](使用可能忽略信号重要特征的常规信号表示)和[15](采用时间频率分辨率有限的短时傅里叶变换(STFT)不同,本文采用了一种最近提出的时间频率分析工具来全面表示输入信号的重要特征。具体来说,使用分数S变换(FrST)将输入信号映射到时频图像,这是由于其能够提高信号的时间频率分辨率[24]。此外,与[15]、[16]不同,一致性损失应用于两个强分支的模型预测之间,这促进了更多多样化和代表性特征的学习,并丰富了扰动空间;同时,损失通过每个强增强视图的可学习置信度量进行加权,以确定它们之间的一致性方向。通过将ConMatch的一致性公式与AMC特定的扰动策略和高分辨率时频表示相结合,所提出的框架促进了更稳定的分类器学习,并在复杂信道条件下产生了更具区分性的特征。
本文的贡献总结如下。
1) 我们提出了一个基于SSL的AMC框架,有效地利用自监督来增强特征表示和分类性能。在两个强增强的时频图像之间进行一致性学习,并为每个图像学习一个置信度量,以引导一致性正则化朝向更可靠的方向。
2) 我们开发了一个基于领域的表示-增强流程,该流程将基于FrST的时频图像与针对真实无线信道的保留语义的增强相结合。FrST的分数阶属性使得时间频率分辨率可调,从而产生更具区分性的调制行为表示。结合AWGN、缩放和莱斯衰落等增强,该流程提高了在SSL环境中学习通用和抗干扰特征的能力。
这种将FrST与保留语义的增强相结合的方法有助于捕获反映调制类型的通用潜在特征,并支持在物理环境中学习复杂的干扰效应。
3) 我们使用两个基准数据集(即RadioML2016.10A和RadioML2016.04C)比较了所提出的AMC框架与其监督对应方法和最先进方法的性能,这些数据集在不同数量的标记样本下进行了测试。
本文的其余部分组织如下。第2节回顾了文献中的相关工作。第3节描述了所提出的方法。第4节展示了性能评估和与其他方法的比较结果。随后,第5节讨论了第4节中呈现的结果。最后,第6节总结了本文。
相关研究 文献中报道了许多基于DL的AMC方法。已经使用各种DL架构开发了监督AMC方法。具体来说,基于CNN的AMC方法使用了AlexNet和GoogLeNet的组合[3]、具有四个通道的四重CNN(QCNN)[4]、带有元学习的ResNet[5]、多分支注意力混合神经网络[25]和自适应小波网络[26]。而基于RNN的AMC方法则利用了长短期记忆(LSTM) 提出的方法 本节介绍了所提出的基于DL的AMC框架的主要组成部分和程序步骤。首先介绍了增强策略和原始信号的时频表示。然后详细介绍了带有自监督一致性正则化的所提出的SSL方案。
实验设置 使用广泛使用的基准数据集(即RML2016.10A和RML2016.04C)评估了所提出框架的性能,这些数据集可在
https://www.deepsig.ai/datasets 处获得。这两个数据集包含11种调制方案的信号示例,包括三种模拟方案(即AM-DSB、AM-SSB和WBFM)和八种数字方案(即BPSK、QPSK、8PSK、GFSK、CPFSK、PAM-4、QAM-16和QAM-64)。RML2016.10A数据集是通过GNU Radio使用软件模拟生成的
讨论 上述结果表明,一般来说,随着标记样本数量的增加,所有方法的分类精度都有所提高。这一趋势归因于更大的标记集提供了更多的监督信息,使得决策边界能够更精确地估计。特别是,监督范式(即监督变体和AWN)在标记样本较少时容易发生严重的过拟合,从而降低泛化性能
结论 本文提出了一种基于半监督学习和自监督一致性正则化的新型调制分类框架。所提出的框架采用了三个输入视图,包括一个弱增强视图和两个强增强视图。在两个强分支的模型预测之间施加一致性损失,并通过每个强增强视图的可学习置信度量进行加权,以确定一致性方向。
CRediT作者贡献声明 Anwr Hasan Yahya Hasan: 编写——审稿与编辑、验证、项目管理、方法论、概念化。Ningbo Zhu: 视觉化、资源、方法论、调查、形式分析。Amal Abdullah Mohammed Mohammed Yayah: 视觉化、资源、方法论、调查、形式分析。Weihua Guo: 视觉化、资源、形式分析。Ali M. Alsaih:
利益冲突声明 作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。