Data Augmentation for Deep Learning-based Radio ModulationClassification解读（基于深度学习的无线电调制分类数据扩充）

摘要：深度学习最近被应用于自动分类接收无线电信号的调制类别，而无需人工经验。然而，训练深度学习模型需要大量的数据。训练数据不足会导致严重的过度拟合问题，降低分类精度。为了处理小数据集，数据增强被广泛应用于图像处理中，以扩展数据集，提高深度学习模型的鲁棒性。然而，在无线通信领域，不同的数据增强方法对无线电调制分类的影响还没有得到研究。在该文中，通过基于深度学习的调制分类器来评估不同的数据增强方法。根据调制信号的特点，考虑了三种增强方法，即旋转、翻转和高斯噪声，它们可以应用于深度学习算法的训练阶段和推理阶段。数值结果表明，三种增广方法都能提高分类精度。其中，旋转增强方法的分类精度优于翻转增强方法，两者都比高斯噪声方法的分类精度高。假设只有12.5%的训练数据集，联合旋转和翻转增强策略可以实现比初始100%训练数据集的基线更高的分类精度。此外，随着数据的增加，可以使用更短的无线电样本成功地对无线电调制类别进行分类，从而简化深度学习模型并缩短分类响应时间。

1.引言

得益于计算能力和大数据的提高，深度学习在许多应用领域取得了前所未有的发展，如语音和音频处理、自然语言处理、目标检测等。近年来，它在无线通信领域也取得了巨大的发展，例如，调制分类、符号检测、端到端通信[6]和移动边缘计算。

基于深度学习的调制分类自动调用，在没有先验知识的情况下高效地对接收信号进行分类。调制分类是无线通信系统中许多应用的基础步骤，如认知通信系统中的频谱管理和安全通信中的非授权信号检测。传统的调制分类方法要么计算复杂度高，要么严重依赖人工操作。最近，深度学习被成功地引入到信号分类中，它将原始信号数据或其转换馈送到深度神经网络，并在网络输出处立即获得调制类别。与传统的基于专家特征（如基于高阶累积量的特征）的自动调制分类方法相比，它实现了更高的分类精度，同时需要少量额外的计算开销和计算时间。

尽管基于深度学习的方法可以极大地提高调制分类器的性能，但它需要大量的训练样本。然而，在实践中，收集大量高质量和可靠的训练无线电样本有时成本高昂且困难。数据扩充通过人工扩展训练数据集和保持标签的变换来解决训练数据不足的问题。文献中提出了不同的数据增强方法，即图像分类中的随机裁剪、旋转和镜像以及语音识别中的基音偏移、时间拉伸和随机频率滤波[22]。对于基于深度学习的无线电调制分类，数据增强可以提高其不变性，特别是对于小的无线电信号数据集。

增强调制无线电信号类似于图1所示的增强图像。具体而言，我们考虑了三种基本的增强方法，即旋转、翻转和高斯噪声，用于图像和正交相移键控（QPSK）调制的星座图中所示的无线电信号样本。对于图像，在旋转或翻转增强后，显示相同的cat，但从不同的视点显示。在QPSK调制无线电信号的星座图中，黑色圆圈表示四个理想参考点，红色十字表示由于发射机/接收机硬件和无线信道的不完善而移动的接收符号。在图1中，我们考虑两个具有正相移（1, 1）和（- 1, 1）的接收符号，它们从它们的参考点逆时针偏移。

在无线通信中，每个接收到的符号将根据传输的内容解调并映射到其中一个参考点。经过旋转增强后，产生了两个新的符号( -1,1 )和( - 1，- 1)，如图1 ( b )所示，他们也是正相移的。因此，对于本文考虑的无线电调制分类任务，旋转调制后的无线电信号类似于旋转一幅图像，不丢失特征进行分类。然而，翻转无线电信号产生两个新的QPSK调制符号，其相位在顺时针方向上负移，如图1（c）所示。尽管旋转和翻转增强方法在图像分类方面都取得了类似的精度改进，但对于无线电调制分类而言，哪一种方法更可取仍是一个悬而未决的问题。高斯噪声增强后，图像中充满了“雪”，接收到的无线电符号如图1（d）所示发生偏差。这三种增强方法能否提高基于深度学习的无线电调制分类的分类精度？尚未评估不同数据增强方法对无线电调制分类的影响。

本文研究了基于深度学习的无线电调制分类的数据扩充方法。具体而言，使用最先进的基于深度学习的调制分类器来自动分类每个无线电信号样本的调制类别。根据调制信号的特点，研究