无线电信号检测识别的两篇综述

Posted on Edited on In
modulation-recognition-survey.md

ieeetransactions...
ieeeaccess

识别过程

AMRmethod

信号的表示方法

I 特征表示

特征表示最初是为调制分类的FB(feature-based)算法开发的。它提取多个特征来表示接收到的信号(提取特征的数量通常小于接收信号的长度)。

优点：

  • 通过特征表示对接收到的信号进行压缩，这允许利用具有更少神经元/层的简单DNN

缺点：

  • 信号特征的计算会产生额外的计算复杂性
  • 需要根据候选调制集选择适当的特征，这需要大量的专业知识和经验
  • 在将原始信号转换为特征时，可能会丢失一些关键信息，从而影响调制分类的性能。

累积量特征 Cumulants Features

频谱特征 Spectral Features

圆形特征 Circular Features

II 图像表示

图像表示的思想是将接收到的信号转换为图像，通过图像识别完成调制分类任务。现有的DNN和DL图像识别框架可以直接用于具有图像表示的调制分类。

优点：

  • 易于实现
  • 受利于CV的发展
  • 避免了手动提取特征

缺点：

  • 成图像仍然需要一些计算
  • 需要复杂的DNN来学习图像的特征。

星座图 Constellation Diagram

constellation
constellation2

眼图 Eye Diagram

捕获的波形进行叠加得到眼图，可以反映信号的整体信息。

eye_diagrams

特征点图 Feature Poing Image

由信号特征生成，比如 HOCs(高阶累积量), PAR（峰均比）等，通过公式转换，画在复平面上。

fpimages

模糊函数图 Ambiguity Function Image

af

y是接收到的连续信号，*代表共轭，$\omega$代表频率偏移，$\tau$ 代表时间延迟，不同的调制方式有不同的模糊函数图

afimages

频谱相关函数图 Spectral Correlation Function Image

调制信号的周期特征由循环自相关函数(CAF)和谱相关函数(SCF)描述，SCF通过傅里叶变换从CAF导出，SCF是关于数字频率f和循环频率$\alpha$的二元函数，通过(29)导出SCF矩阵，取SCF矩阵的绝对值作为图像，就是SCF图。

caf
scf

scfimages

循环相关熵频谱图 Cyclic Correntropy Spectrum Graph

cces

双频谱图 Bispectrum Graph

asb

III 序列表示

序列表示是一种直观的信号表示，因为信号是按顺序接收的。

优点：

  • IQ序列、AP序列等序列可以很容易地导出，只需很少的计算。

缺点：

  • 如果网络设计不当，训练过程可能很难收敛

IQ信号序列 In-Phase and Quadrature Sequences

  • 使用IQ信号样本进行分类
  • IQ 表现了信号的幅值和相位变化。
方法(2) 特点
[41]access 在正交频分复用系统中消除相位偏移的影响
eliminating the bad effects of PO in uncooperative OFDM systems
[6] 从长符号率信号中提取特征，但是要求较高的信噪比
[42]access 多流结构，增加网络宽度，获取更有价值的特征
[43]access 学习盲信道识别和AMR，使用两个CNN来弥补在同一信道上分类的缺陷，第一个用来识别是LOS还是NLOS，第二个用来分类
[44] 对CNN、RNN、inception模块和卷积长短期DNN（CLDNN）进行了比较研究
[45] 2CNNs & dropout 代替 pooling, 提高分类精度
[46]access CNN+LSTM
[47]access 消耗内存少，对信噪比的变化有更高的鲁棒性
[48] 试用于不同的噪声体系，计算复杂度较低，模型比较小，减少了计算时间，可接受的性能损失下减少了所需的设备存储器
[49]access 解决CNN输入大小不一样的问题，并充分利用完整的信号突发。探索了三种容和方法：基于投票、基于置信度、基于特征
[50] 图映射CNN转换接收到的信号为图形，CNN提取特征，GCN分类

iqseq

振幅和相位序列 Amplitude and Phase Sequences

ap

快速傅里叶变换序列 Fast Fourier Transformation Sequences

fft

振幅直方图序列 Amplitude Histogram Sequences

ah

IV 综合表示

  • 组合表示使用多个特征、图像或序列的组合来表示接收到的信号。它能够综合多种表示的优点，获得更好的分类性能。
  • 多个表示应该尽可能不相关。
  • 多个表示方法的缺陷可能会累积并发挥主导作用，反而会削弱分类性能。

数据集

RadioML 2016.10A DATASET

  • 合成数据集：RadioML 2016.10A
  • GNU’s Not Unix (GNU) Radio生成的
  • 包括8种数字调制和3种模拟调制
  • 20个不同信噪比的220k信号，20*11*1k
  • 是RadioML 2016.04C的一个更干净，更规范的版本
  • 更大的数据集：RadioML 2016.10B

RadioML 2018.01A DATASET

  • 它包括在空中测量的24个数字和模拟调制方案，(在广泛的信噪比值范围内传播)。

  • 包含了超过250万个信号

HisarMod2019.1 DATASET

  • 通过5种不同的无线信道生成（ideal, static, Rayleigh, Rician, and Nakagami–m）
  • MATLAB2017生成
  • 包含780K个IQ样本，信噪比范围和RadioML 2016.10B一样

基于机器学习的方法

基于深度学习的方法

基于CNN的方法

基于RNN,LSTM的方法

基于DNN的方法

基于自动编码器(AE)

挑战和研究方向

存在的局限：

  1. 需要先验信息
  2. 仅限于少数调制方案
  3. 计算复杂性较高，不能用于实时应用
  4. 需要较高的信噪比

方向：

  • 提高分类器在较大信噪比范围内的鲁棒性
  • 在信号预处理阶段使用降噪算法
  • 对于不同长度输入的处理
  • 数据集以及数据增广的方法
  • 半监督和无监督
  • 对于未知调制类型的处理
  • 应用于实际硬件设备上，需要更高的精确度和更小的复杂度