Modulation Pattern Detection Using Complex Convolutions in Deep Learning
Georgia Institute of Technology（佐治亚理工学院）；DeepSig Inc.（深度信号公司）；Georgia Tech Research Institute（佐治亚理工研究院）
用于电信的收发器发送和接收表示为复数序列的特定调制模式。对调制模式进行分类是具有挑战性的，因为噪声和信道损伤以复杂的方式影响信号，使得接收到的信号与发送的信号几乎没有相似之处。尽管深度学习方法在这个问题空间中表现出了比统计方法更大的前景，但深度学习框架在支持复值数据方面仍然落后。为了解决这一差距，我们研究了一系列卷积神经网络架构中复杂卷积的实现和使用。在体系结构中用数据结构和卷积运算的复数概括来替换它们，在对低SNR信号进行训练之后，在识别具有高SNR的复值信号中的调制模式时提高了性能，具有统计显著性。这表明复值卷积使网络能够学习更有意义的表示。我们通过比较每个实验中学习到的特征来研究这一假设，方法是将导致每个网络的独热调制模式分类的输入可视化。
2020-10-14 cs.LG eess.SP
NMformer: A Transformer for Noisy Modulation Classification in Wireless Communication
Rowan University（罗文大学）；Stevens Institute of Technology（史蒂文斯理工学院）
针对无线通信中噪声干扰下的调制分类难题，提出基于视觉Transformer的NMformer模型，利用星座图表示信号，通过少量微调数据在分布内和分布外场景中显著提升分类准确率。
2024-10-30 cs.LG cs.NI eess.SP
Over-the-Air Adversarial Attacks on Deep Learning Based Modulation Classifier over Wireless Channels
University of Maryland（马里兰大学）；Intelligent Automation, Inc.（智能自动化公司）
我们考虑一个无线通信系统，它由一个发射机，一个接收机，和一个对手。发射机发射具有不同调制类型的信号，而接收机使用基于深度学习的分类器将其接收的信号分类为调制类型。与此同时，对手进行空中传输，这些传输被接收为与发射机的信号叠加，以欺骗接收机处的分类器出错。虽然这种规避攻击最近受到了越来越多的关注，从对手到接收器的信道效应已被忽略到目前为止，使以前的攻击机制不能在现实的信道效应下应用。在本文中，我们提出了如何通过考虑从对手到接收器的信道来发起一个现实的规避攻击。我们的研究结果表明，调制分类是容易受到对抗性攻击的无线信道，建模为瑞利衰落路径损耗和阴影。我们提出了各种对抗性攻击的可用性信息的渠道，发射机输入，分类器架构。首先，我们提出了两种类型的对抗性攻击，即有针对性的攻击（具有最小功率）和非有针对性的攻击，其目的是分别将分类更改为目标标签或真实标签以外的任何其他标签。两者都是白盒攻击，是发射机输入特定的，并使用信道信息。然后，我们介绍了一种算法来生成对抗性攻击使用有限的信道信息，对手只知道的信道分布。最后，我们提出了一个黑盒通用对抗扰动（UAP）攻击的对手有有限的知识，信道和发射机输入。
2020-02-13 cs.LG cs.NI eess.SP
Adversarial Attacks with Multiple Antennas Against Deep Learning-Based Modulation Classifiers
University of Maryland（马里兰大学）；Intelligent Automation, Inc.（智能自动化公司）；Virginia Tech（弗吉尼亚理工大学）
我们考虑一个无线通信系统，其中发射机向接收机发送具有不同调制类型的信号，而接收机使用其基于深度学习的分类器对接收信号的调制类型进行分类。同时，对手使用其多个天线发送对抗性扰动，以欺骗分类器对接收到的信号进行错误分类。从对抗机器学习的角度来看，我们展示了如何利用对手的多个天线来提高对抗（逃避）攻击的性能。在利用多天线对抗时，主要考虑两个问题，即天线间的功率分配和信道分集的利用。首先，我们表明，多个独立的对手，每个与一个天线不能提高攻击性能相比，一个单一的对手与多个天线使用相同的总功率。然后，我们考虑各种方式来分配功率在多个天线之间在一个单一的对手，如分配功率只有一个天线，并成正比或成反比的信道增益。通过利用信道分集，我们引入攻击，通过符号级具有最大信道增益的信道传输对抗性扰动。我们发现，这种攻击降低了分类器的准确性显着相比，其他攻击在不同的信道条件下的信道方差和信道相关性天线。此外，我们表明，攻击的成功显着提高天线的数量增加，在对手，可以更好地利用信道多样性，工艺对抗性攻击。
2020-07-31 cs.LG cs.NI eess.SP
Black-box Adversarial ML Attack on Modulation Classification
Information Technology University, Punjab, Pakistan（巴基斯坦旁遮普信息技术大学）；Hamad Bin Khalifa University, Qatar（卡塔尔哈马德·本·哈利法大学）
最近，在文献中已经提出了许多基于深度神经网络（DNN）的调制分类方案。我们已经评估了两个著名的这样的调制分类器（基于卷积神经网络和长短期记忆的技术）对抗对抗机器学习攻击的黑盒设置的鲁棒性。我们使用Carlini \& Wagner（C-W）攻击来执行对抗攻击。据我们所知，这些调制分类器的鲁棒性还没有通过C-W攻击之前进行评估。我们的研究结果清楚地表明，最先进的基于深度机器学习的调制分类器对对抗攻击并不鲁棒。
2019-08-01 cs.CR cs.LG cs.NI
Low Complexity Kolmogorov-Smirnov Modulation Classification
Institute of Network Coding, CUHK（香港中文大学网络编码研究所）；State Key Laboratory of Rail Traffic Control and Safety, BJTU（北京交通大学轨道交通控制与安全国家重点实验室）
本文将一种非参数的拟合优度检验方法Kolmogorov-Smirnov（K-S）检验应用于自动调制分类（AMC）。基本过程包括计算从接收信号导出的一些决策统计的经验累积分布函数（ECDF），并将其与每个候选调制格式下的信号的CDF进行比较。首先针对AWGN信道设计了基于K-S的调制分类器，然后将其应用于OFDM-SDMA系统中消除多用户干扰。针对K-S调制分类算法的复杂度问题，提出了一种基于K-S分类器鲁棒性的低复杂度方法。大量的仿真结果表明，与传统的基于累积量的分类器相比，所提出的K-S分类器提供了优越的分类性能，并需要较少的信号样本数（因此是快速的）。
2011-03-03 cs.IT cs.LG math.IT
Channel-Aware Adversarial Attacks Against Deep Learning-Based Wireless Signal Classifiers
University of Maryland（马里兰大学）；Intelligent Automation, a BlueHalo Company（Intelligent Automation（BlueHalo 旗下公司））；Virginia Tech（弗吉尼亚理工大学）
本文提出了针对基于深度学习的无线信号分类器的信道感知对抗攻击。有一种发射机，它发射具有不同调制类型的信号。在每个接收器处使用深度神经网络来将其空中接收信号分类为调制类型。同时，对手发送对抗性扰动（受到功率预算的影响）以欺骗接收器在将接收到的信号分类为发送信号和对抗性扰动的叠加时出错。首先，这些规避攻击失败时，不考虑设计对抗扰动的渠道。然后，现实的攻击，提出了考虑从对手到每个接收机的信道效应。在表明信道感知攻击是选择性的（即，它只影响其信道在扰动设计中被考虑的接收机），通过制作共同的对抗性扰动以同时欺骗不同接收机处的分类器来呈现广播对抗性攻击。调制分类器对空中对抗攻击的主要脆弱性通过考虑关于信道、发射机输入和分类器模型的不同水平的可用信息来显示。最后，一个认证的防御随机平滑的基础上，增加训练数据与噪声的调制分类器鲁棒对抗扰动。
2021-12-20 cs.LG cs.NI eess.SP
Bit-Accurate FPGA Evaluation of Learned Feature Gating in a Fixed-Point Fourier-Feature Automatic Modulation Classifier
研究在定点傅里叶特征自动调制分类器中学习特征门控的效果，通过特定架构和训练方法，在FPGA上评估其对分类准确率及硬件资源的影响，发现学习门控增加成本且未提升准确率。
2026-07-28 cs.LG
Interference Classification Using Deep Neural Networks
最近在实现监督学习来分类调制类型方面的成功表明，类似于调制分类的其他问题最终将受益于该实现。这些问题之一是对添加到感兴趣信号的干扰类型进行分类，也称为干扰分类。在本文中，我们提出了一种使用深度神经网络的干扰分类方法。我们生成五种不同类型的干扰信号，然后使用接收信号的功率谱密度（PSD）和循环谱作为网络的输入特征。计算机实验表明，利用接收信号的功率谱密度比利用其循环谱的精度更高。此外，相同的实验表明，前馈网络产生更好的精度比经典的方法。所提出的分类器辅助接收器链中的后续阶段选择适当的缓解算法，并且还可以与调制分类方法共存，以进一步提高分类器的准确性。
2020-04-07 cs.LG eess.SP
Visualizing Topological Importance: A Class-Driven Approach
Tulane University（杜兰大学）；Montana State University（蒙大拿州立大学）
本文首次提出一种类驱动方法，通过可解释深度学习学习持久图点密度的权重，从而可视化对分类重要的拓扑特征，并在图、三维形状和医学图像数据上验证其有效性。
2023-09-22 cs.LG
Robust and Fast Automatic Modulation Classification with CNN under Multipath Fading Channels
Informatics and Information Security Research Center (BİLGEM), TÜBİTAK（土耳其科学技术研究理事会信息学与信息安全研究中心）；Istanbul Technical University（伊斯坦布尔技术大学）；Balıkesir University（巴勒克埃西尔大学）；Yıldız Technical University（耶尔德兹技术大学）；Boğaziçi University（海峡大学）
自动调制分类（AMC）已经研究了超过四分之一个世纪，然而，它一直很难设计一个分类器，成功地工作在不断变化的多径衰落条件和其他损害。最近，AMC系统采用了基于深度学习（DL）的方法，并报告了主要的改进。本文提出了一种新的卷积神经网络（CNN）分类器模型来根据调制类别的族来对调制类别进行分类，即，类型所提出的分类器对现实的无线信道损伤具有鲁棒性，并且当考虑用于测试和评估所提出的方法的数据集时，可以看出RadioML2016.10a是用于测试和评估所提出的方法的主要数据集。然而，该数据集和其他一些数据集中包含的通道效应可能缺乏对真实世界条件的适当建模，因为它仅考虑了单个抽头配置的通道模型的两个分布。因此，考虑到现实生活的适用性，本文还介绍了一个更全面的数据集，命名为HisarMod2019.1。HisarMod2019.1包括26个通过信道的调制类别，具有5种不同的衰落类型和几个用于分类的抽头。结果表明，该模型在更真实的条件下，在精度和训练时间方面都优于现有的模型。更重要的是，当使用RadioML2016.10a数据集时，它们的性能超过了它们。
2020-03-07 cs.LG eess.SP stat.ML
EMC2-Net: Joint Equalization and Modulation Classification based on Constellation Network
Korea Advanced Institute of Science and Technology（韩国科学技术院）
调制分类（MC）是在接收器侧执行的第一步，除非调制类型由发射器明确指示。近年来，机器学习技术在MC中得到了广泛的应用。在本文中，我们提出了一种新的MC技术称为联合均衡和调制分类的星座网络（EMC 2-Net）的基础上。与将星座点视为图像的现有工作不同，所提出的EMC 2-Net直接使用一组2D星座点来执行MC。为了获得清晰和具体的星座，尽管多径衰落信道，建议EMC 2-Net由均衡器和分类器具有独立的和可解释的角色，通过新的三阶段训练和噪声课程预训练。不同信道模型下线性调制类型的数值结果表明，所提出的EMC 2-Net实现了最先进的MC技术的性能，具有显着更低的复杂度。
2023-03-20 cs.LG eess.SP
Classifier-guided Gradient Modulation for Enhanced Multimodal Learning
Zhejiang University（浙江大学）；Shanghai AI Lab（上海人工智能实验室）
提出CGGM方法，通过分类器引导同时调制梯度大小和方向，平衡多模态学习，在四个数据集上优于基线，验证有效性和通用性。
2024-11-03 cs.CL cs.CV cs.LG
An Online Automatic Modulation Classification Scheme Based on Isolation Distributional Kernel
Nanjing University（南京大学）；Deakin University（迪肯大学）
本文提出首个基于隔离分布核的在线自动调制分类方案，以分布核表示基带信号，在时变信道下实现线性时间复杂度的在线分类，性能优于现有深度学习方法。
2024-10-03 cs.LG
Ensemble Wrapper Subsampling for Deep Modulation Classification
Purdue University（普渡大学）；Weizmann Institute of Science（魏茨曼科学研究所）
接收无线信号的二次采样对于放宽硬件要求以及依赖于输出样本的信号处理算法的计算成本非常重要。我们提出了一种子采样技术，以促进深度学习在无线通信系统中用于自动调制分类。与依赖于仅基于专家知识的预先设计的策略的传统方法不同，所提出的数据驱动的子采样策略采用深度神经网络架构来模拟从每个训练输入向量中移除样本的候选组合的效果，其方式受到包装器特征选择模型如何工作的启发。然后，子采样数据由另一个深度学习分类器处理，该分类器识别所考虑的10种调制类型中的每一种。我们表明，所提出的子采样策略不仅可以大幅减少分类器的训练时间，而且还可以提高分类精度，比以前所考虑的数据集达到更高的水平。本文的一个重要特征是利用深度神经网络的可转移性属性，以避免重新训练包装器模型，并通过包装器的集合获得优于仅依赖其中任何一个的性能。
2020-05-10 cs.LG eess.SP stat.ML
Class maps for visualizing classification results
KU Leuven（鲁汶大学）
本文提出类别图方法，通过可视化对象属于替代类别的概率、类内距离及离群程度，揭示分类结果中的标签偏差和潜在误标注，并在多种分类器与基准数据集上验证其有效性。
2021-05-19 cs.LG stat.CO stat.ME
Real-Time and Embedded Deep Learning on FPGA for RF Signal Classification
Intelligent Automation, Inc.（智能自动化公司）
我们在嵌入式软件定义无线电平台DeepRadio的现场可编程门阵列（FPGA）上设计并实现了一种基于深度学习的RF信号分类器，该分类器可以实时的以低功耗将通过RF前端接收的信号分类为不同的调制类型。该分类器实现成功地捕获了无线信号的复杂特征，以服务于无线安全和通信系统中的关键应用，例如识别信号认证系统中的欺骗信号，检测电子战（EW）应用中的目标发射器和干扰机，识别认知无线电网络中的主要和次要用户，干扰搜索和自适应调制。深度神经网络通过低功耗和低延迟嵌入式计算，直接在DeepRadio的FPGA结构上运行，同时保持分类器精度接近软件性能。我们评估了另一个SDR（USRP）以不同的功率水平发送不同调制类型的信号，DeepRadio接收信号并在其FPGA上实时的对其进行分类时的性能。带有移动应用程序的智能手机连接到DeepRadio，以启动实验并可视化分类结果。通过空中的真实无线电传输，我们证明了在DeepRadio上实现的分类器实现了高精度，低延迟（每个样本微秒）和低能耗（每个样本微焦耳），这种性能是其他嵌入式平台（如嵌入式图形处理单元（GPU））无法比拟的。
2019-10-13 cs.LG cs.NI eess.SP
Filtered Randomized Smoothing: A New Defense for Robust Modulation Classification
University of Arizona（亚利桑那大学）
针对基于DNN的调制分类器易受对抗攻击、现有防御方法准确率损失大的问题，提出结合频谱滤波与随机平滑的FRS防御方法，在RadioML数据集上准确率显著优于AT和RS等现有方案。
2024-10-08 cs.CR cs.IT cs.LG
Summit: Scaling Deep Learning Interpretability by Visualizing Activation and Attribution Summarizations
Georgia Tech（佐治亚理工学院）
深度学习越来越多地用于决策任务。然而，理解神经网络如何产生最终预测仍然是一个根本性的挑战。解释图像的神经网络预测的现有工作通常集中在解释单个图像或神经元的预测。由于预测通常是根据数百万个权重计算的，这些权重是在数百万张图像上优化的，因此这种解释很容易错过更大的画面。我们介绍了Summit，这是一个交互式系统，可扩展和系统地总结和可视化深度学习模型已经学习的功能以及这些功能如何相互作用以进行预测。Summit引入了两种新的可扩展摘要技术：（1）激活聚合发现重要的神经元，（2）神经元影响聚合识别这些神经元之间的关系。Summit将这些技术结合起来，创建了新颖的归因图，揭示和总结了有助于模型结果的关键神经元关联和子结构。Summit可扩展到大数据，例如包含120万张图像的ImageNet数据集，并利用神经网络特征可视化和数据集示例，帮助用户将大型复杂的神经网络模型提取为紧凑的交互式可视化。我们提出了神经网络探索方案，其中Summit帮助我们发现了对流行的大规模图像分类器的学习表示的多个令人惊讶的见解，并为未来的神经网络架构设计提供了信息。Summit可视化在现代Web浏览器中运行，并且是开源的。
2019-09-02 cs.CV cs.HC cs.LG
Open-set Classification of Common Waveforms Using A Deep Feed-forward Network and Binary Isolation Forest Models
Virginia Tech（弗吉尼亚理工大学）；US Army Research Laboratory（美国陆军研究实验室）
在本文中，我们研究了使用深层多层感知器架构将接收到的信号分类为七种常见波形之一，单载波（SC），单载波频分多址（SC-FDMA），正交频分复用（OFDM），线性调频（LFM），调幅（AM），调频（FM），以及用于通信和雷达网络的相位编码脉冲调制。不需要信号的同步，因为我们假设存在未知且未补偿的时间和频率偏移。分类器是开集的，这意味着它假设可能出现未知波形。充当二元分类器的隔离森林（IF）模型用于每个已知信号类别，以执行可能的未知信号的检测。这是使用来自密集层的32长度特征向量作为IF模型的输入来实现的。分类器和IF模型一起工作以监测频谱并识别波形以及检测未知波形。结果表明，该分类器对0 dB以上的信号分类正确率为100%，在-10dB和-5dB时，分类正确率分别为83.2%和94.7%。IF模型的结果显示，在检测存在信号损伤的已知和未知信号时，总体准确率为98%。IF模型能够拒绝所有未知信号，而由于训练期间使用的污染率，与已知信号类似的信号能够通过2%的时间。总体而言，整个系统可以在开集模式下正确分类，在SNR大于0 dB时准确率为98%。
2021-10-01 cs.LG
Identification and Visualization of the Underlying Independent Causes of the Diagnostic of Diabetic Retinopathy made by a Deep Learning Classifier
Universitat Rovira i Virgili（罗维拉-威尔吉利大学）；University Hospital Sant Joan de Reus（雷乌斯圣约翰大学医院）；Institut d’Investigació Sanitària Pere Virgili (IISPV)（佩雷·比尔吉利健康研究所（IISPV））
可解释性是设计用于医学诊断的自动分类器的关键因素。深度学习模型已被证明是一种非常有效的分类算法，当以有监督的方式训练足够的数据时。主要的问题是从它们中推断出合理解释的困难。在过去的几年里，人们进行了不同的尝试，以便将深度学习分类器从高置信度的统计黑箱机器转换为自解释模型。在本文中，我们通过识别使用深度学习模型将图像分类到某个类别的独立原因来生成解释。我们将独立成分分析与分数可视化技术相结合。在本文中，我们研究的医学问题分类眼底图像分为5级糖尿病视网膜病变。我们的结论是，只有3个独立的成分是足够的5个疾病标准类之间的区分和正确的分类。我们提出了一种方法，用于可视化它们和检测病变所生成的视觉地图。
2018-09-23 cs.LG stat.ML
Data Augmentation for Deep Learning-based Radio Modulation Classification
Zhejiang University of Technology（浙江工业大学）；University of Macau（澳门大学）
深度学习最近已被应用于自动分类接收到的无线电信号的调制类别，而无需手动经验。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拟合问题，降低分类精度。为了处理小数据集，数据增强已被广泛用于图像处理中，以扩展数据集并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尚未被研究。在本文中，我们通过最先进的基于深度学习的调制分类器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，旋转、翻转和高斯噪声，可以应用于深度学习算法的训练阶段和推理阶段。数值实验结果表明，这三种增强方法都能提高分类精度。其中，旋转增强方法优于翻转方法，这两种方法都比高斯噪声方法获得更高的分类精度。仅给定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%训练数据集而没有增强的基线更高的分类精度。此外，通过数据增强，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。
2019-12-10 cs.LG eess.SP
An Uncertainty-Driven Hybrid Deep Learning Approach for Broad-Coverage RF Modulation Recognition
Ankara Yildirim Beyazit University（安卡拉伊尔迪里姆贝亚兹特大学）
针对低SNR与调制方案多样性限制现有RF调制识别性能的问题，提出融合FFT预处理频谱信息与STFT时频特征的不确定性驱动混合深度学习架构，通过2D CNN初级分类、MC Dropout不确定性估计及BiLSTM次级决策实现宽覆盖识别，在仿真环境中取得优异性能。
2026-08-04 cs.LG eess.SP
Automatic Modulation Classification with Deep Neural Networks
Darwin Deason Institute for Cyber Security（达尔文·迪森网络安全研究所）
自动调制分类是许多现代软件定义无线电中的期望特征。近年来，已经提出了许多卷积深度学习架构，用于对在观察到的信号突发上使用的调制进行自动分类。然而，这些不同的架构和每个设计元素的重要性的综合分析还没有进行。因此，目前还不清楚这些卷积神经网络的不同设计可能会有什么权衡。在这项研究中，我们研究了许多自动调制分类的架构，并进行了全面的消融研究，以研究不同的超参数和设计元素对自动调制分类性能的影响。我们表明，一个新的艺术状态的性能可以实现使用的子集的研究设计元素。特别是，我们表明，膨胀卷积，统计池，挤压和激励单元的组合结果在最强的性能分类。我们进一步研究这个最佳性能根据各种其他标准，包括短信号突发，常见的错误分类，并在不同的调制类别和模式的性能。
2023-01-27 cs.LG
Data-Driven Subsampling in the Presence of an Adversarial Actor
Purdue University（普渡大学）；InterDigital Communications, Inc.（InterDigital通信公司）
本文研究了对抗攻击对同时使用深度学习进行自动调制分类和子采样的AMC系统的影响，发现子采样本身能有效威慑对抗攻击，并确定了分类器与子采样器均受攻击时的最有效子采样策略。
2024-01-07 cs.CR cs.LG eess.SP
Adaptive Visibility Graph Neural Network and its Application in Modulation Classification
Zhejiang University of Technology（浙江工业大学）；Institute of Cyberspace Security, Zhejiang University of Technology（浙江工业大学网络空间安全研究院）；College of Information Engineering, Zhejiang University of Technology（浙江工业大学信息工程学院）；Science and Technology on Communication Information Security Control Laboratory（通信信息安全控制技术实验室）
我们的数字世界充满了时间序列和图表，它们捕捉了许多复杂系统的各个方面。传统上，在处理这两种不同类型的数据时存在各自的方法，例如，递归神经网络（RNN）和图神经网络（GNN），而近年来，利用可视图（VG）等技术，可以将时间序列映射到图上，从而使研究人员可以利用图算法挖掘时间序列中的知识。这种映射方法建立了时间序列和图形之间的桥梁，并有很高的潜力，以方便各种现实世界的时间序列的分析。然而，VG方法及其变体只是基于固定的规则，因此缺乏灵活性，在很大程度上限制了它们在现实中的应用。本文提出了一种自适应可见性图（Adaptive Visibility Graph，AVG）算法，该算法能够将时间序列自适应地映射到图中，并在此基础上利用GNN模型DiffPool作为分类器，进一步建立了端到端的分类框架AVGNet。然后，我们采用AVGNet的无线电信号调制分类，这是在无线通信领域的一个重要任务。模拟验证了AVGNet优于一系列先进的深度学习方法，在此任务中实现了最先进的性能。
2021-06-16 cs.LG eess.SP
Classification of Radio Signals and HF Transmission Modes with Deep Learning
本文研究了用于无线电信号分类的深度神经网络。该分类器不执行调制识别并将其与进一步的分析方法相结合，而是直接对信号的IQ数据进行操作并输出传输模式。一个数据集的18种不同的模式，通常发生在HF无线电频段的无线电信号，并作为一个展示的例子。该数据集考虑了HF信道特性，并用于训练四种不同的深度神经网络架构。最佳网络的结果显示出高达98%的出色准确性。
2019-06-11 cs.LG eess.SP
The Importance of Being Earnest: Performance of Modulation Classification for Real RF Signals
数字调制分类（DMC）对于在复杂的新兴无线网络中为无线电设备配备增强的频谱感知能力是非常有价值的。然而，由于现有的文献绝大多数是基于理论或仿真结果，目前还不清楚如何以及DMC在实践中执行。在本文中，我们研究了DMC在现实世界的无线网络中的性能，使用广泛的RF信号数据集的250，000通过空中传输异构收发器硬件和同信道干扰。我们的研究结果表明，DMC可以实现较高的分类精度，即使在具有挑战性的现实世界条件下的调制同信道干扰和低品位的硬件。然而，这仅在训练数据集完全捕获真实无线电环境中的各种干扰和硬件类型时才成立;否则，DMC性能显著恶化。我们的工作有两个重要的工程意义。首先，它表明，在实践中，在不同的无线电环境和设备之间交换学习的分类器模型并不简单。其次，我们的分析表明，DMC的实际部署的关键缺失环节是设计信号功能，以及推广到不同的无线网络场景。我们正在公开我们的RF信号数据集，作为迈向现实DMC评估统一框架的一步。
2018-09-19 cs.LG cs.NI eess.SP
Federated Self-Supervised Modulation Classification under Non-IID and Imbalanced Data
Department of Electrical and Computer Engineering（电气与计算机工程系）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Qualcomm Technologies Inc.（高通技术公司）
该研究针对非独立同分布与不平衡数据场景，提出FedSSL-AMC联邦自监督框架，结合因果时间膨胀CNN编码器与轻量级本地SVM，在调制分类任务上取得优于监督联邦学习基线的性能。
2026-08-18 cs.AI cs.LG eess.SP
Automatic Machine Learning for Multi-Receiver CNN Technology Classifiers
University of Arizona（亚利桑那大学）
卷积神经网络（CNN）是用于信号分类的深度学习模型家族中研究最多的一种，包括调制、技术、检测和识别。在这项工作中，我们专注于技术分类的基础上，从多个同步接收器收集的原始I/Q样本。作为一个示例用例，我们研究了在5 GHz未经许可的国家信息基础设施（U-NII）频段上共存的Wi-Fi，LTE-LAA和5G NR-U技术的协议识别。设计和训练准确的CNN分类器需要花费大量的时间和精力来微调模型的架构设置并确定适当的超参数配置，例如学习率和批量大小。我们通过将建筑设置本身定义为超参数来解决前者。我们尝试自动优化这些架构参数，以及其他预处理（例如，每个分类器输入内的I/Q样本数）和学习超参数，通过形成超参数优化（HyperOpt）问题，我们使用Hyperband算法以接近最优的方式解决该问题。然后，考虑到各种SNR值，使用所得到的接近最优的CNN（OCNN）分类器来研究OTA以及模拟数据集的分类准确性。我们表明，为CNN构建多通道输入的接收器数量应定义为通过Hyperband优化的预处理超参数。OTA结果显示，与手动调整的CNN相比，我们的OCNN分类器将分类准确率提高了24.58%。我们还研究了每个分类器输入中I/Q样本的最小-最大归一化对模拟数据集的泛化精度的影响，这些模拟数据集具有SNR而不是训练集的SNR，并且当I/Q样本归一化时，平均提高了108.05%。
2022-04-28 cs.LG cs.NI eess.SP
Learning Neural Network Classifiers with Low Model Complexity
Indian Institute of Technology, Delhi（印度德里理工学院）
针对大规模任务下神经网络模型复杂度过高的问题，提出基于VC维可微上界的LCNN训练规则，在反向传播中同时优化误差与模型复杂度，在多数据集和架构上验证了其提升泛化、优化特征的效果，可与现有方法协同增益。
2021-03-06 cs.AI cs.CV cs.LG
Efficient Training of Deep Classifiers for Wireless Source Identification using Test SNR Estimates
Purdue University（普渡大学）
我们研究有效的深度学习训练算法，如果测试信噪比（SNR）估计可用，则处理接收到的无线信号。我们专注于两个任务，促进源识别：1-识别调制类型，2-识别无线技术和信道在2.4 GHz ISM频段。对于基准测试，我们依赖于最近的文献，在两个著名的数据集上测试深度学习算法。我们首先证明，使用仅对应于测试SNR值的训练数据会导致训练时间的显著减少，同时平均测试精度会有小幅损失，因为它提高了低SNR值的精度。此外，我们表明，一个错误的测试SNR估计与一个小的正偏移是更好的训练比另一个具有相同的误差幅度与负偏移。其次，我们引入了一个贪婪的训练SNR提升算法，导致在所有测试的SNR值的准确性均匀提高，而在每个测试SNR使用一个小的训练SNR值的子集。最后，我们展示了基于训练SNR值的自举聚合（Bagging）在训练数据稀缺的低测试SNR值下提高泛化能力的潜力。
2020-04-19 cs.LG eess.SP stat.ML
Adaptive neural network classifier for decoding MEG signals
Department of Neuroscience and Biomedical Engineering, Aalto University School of Science（阿尔托大学理学院神经科学与生物医学工程系）；Aalto NeuroImaging, Aalto University（阿尔托大学阿尔托神经成像中心）；Aalto University School of Science（阿尔托大学理学院）；Aalto University（阿尔托大学）
卷积神经网络（CNN）在许多领域都优于传统的分类方法。近年来，这些方法在神经科学，特别是在脑机接口（BCI）领域得到了关注。在这里，我们介绍了一个CNN优化脑磁图（MEG）测量的大脑状态的分类。我们的CNN设计是基于电磁（EEG和MEG）大脑信号的生成模型，并且很容易在神经生理学术语中解释。我们在这里表明，所提出的网络能够解码事件相关的反应，以及振荡的大脑活动的调制，它优于更复杂的神经网络和传统的分类器中使用的领域。重要的是，该模型对个体间差异具有鲁棒性，并且可以成功地推广到离线和在线分类中的新主题。
2019-02-10 cs.LG q-bio.NC stat.ML
Gradient-based Adversarial Deep Modulation Classification with Data-driven Subsampling
Purdue University（普渡大学）
自动调制分类可以是智能频谱高效无线通信网络的核心组件，并且深度学习技术最近已被证明提供优于传统基于模型的策略的性能，特别是在区分大量调制类型时。然而，这种深度学习技术最近也被证明容易受到基于梯度的对抗攻击的攻击，这种攻击依赖于微妙的输入扰动，这在无线环境中通过干扰特别可行。一个这样的强有力的攻击是一个被称为Carlini-Wagner攻击，我们在这项工作中考虑。我们进一步考虑了数据驱动的子采样设置，其中采用了几种最近引入的基于深度学习的算法来选择样本的子集，从而减少了最终分类器的训练时间，同时精度损失最小。在这种情况下，攻击者必须对所采用的子采样策略做出假设，以便计算损失梯度。基于国家的最先进的技术提供给双方的攻击者和防御者，我们评估最佳策略的知识在各种假设下的另一方的战略。有趣的是，在存在知识渊博的攻击者的情况下，我们确定了防御者的计算成本降低机会，而性能没有损失或损失最小。
2021-04-03 cs.AI cs.LG cs.NI
Deep Relevance Regularization: Interpretable and Robust Tumor Typing of Imaging Mass Spectrometry Data
University of Bremen（不来梅大学）；SCiLS, Bruker Daltonik GmbH（布鲁克道尔顿公司SCiLS部门）；Proteopath GmbH（Proteopath公司）；Center for Histology Cytology and Molecular Diagnostic, Trier（特里尔组织学、细胞学与分子诊断中心）
神经网络最近已被建立为用于肿瘤分型的成像质谱数据的可行分类方法。然而，对于多实验室场景，某些混杂因素可能会严重阻碍其性能。在这项工作中，我们引入了深度相关正则化，这是一种限制神经网络在分类过程中可以关注的内容的方法，以提高分类性能。我们展示了深度相关正则化如何在由乳腺癌和卵巢癌组成的具有挑战性的实验室间数据集上增强神经网络对混杂因素的鲁棒性。我们进一步表明，这使得相关性图-一种可视化质谱中有区别的部分的方式-更稀疏，从而使分类器更容易解释
2019-12-10 cs.LG stat.ML
Adversarial Robustness of Distilled and Pruned Deep Learning-based Wireless Classifiers
Indian Institute of Technology Guwahati（印度古瓦哈蒂印度理工学院）
针对无线信号自动调制分类在边缘应用中易受对抗攻击的问题，提出结合知识蒸馏与网络剪枝的优化模型并辅以高效对抗训练，在提升干净样本准确率的同时显著增强了对抗鲁棒性。
2024-04-11 cs.CR cs.IT cs.LG
Deep Learning for Signal Demodulation in Physical Layer Wireless Communications: Prototype Platform, Open Dataset, and Analytics
Information and Control Engineering, China University of Mining and Technology（中国矿业大学信息与控制工程学院）；State Key Laboratory of Integrated Services Networks, Xidian University（西安电子科技大学综合业务网理论与关键技术国家重点实验室）；Department of Electrical and Computer Engineering, University of Minnesota（明尼苏达大学电气与计算机工程系）；Department of Electrical and Computer Engineering, University of California, Davis（加利福尼亚大学戴维斯分校电气与计算机工程系）；College of Communications Engineering, Army Engineering University（陆军工程大学通信工程学院）
在本文中，我们研究了支持深度学习（DL）的信号解调方法，并为无线通信系统建立了第一个开放的真实调制信号数据集。具体来说，我们提出了一个灵活的通信原型平台，用于测量真实的调制数据集。然后，基于测量数据集，提出了两种基于DL的解调器，称为深度信念网络（DBN）-支持向量机（SVM）解调器和基于自适应增强（AdaBoost）的解调器。所提出的基于DBN-SVM的解调器利用DBN和SVM两者的优点，即，DBN作为特征提取器和SVM作为特征分类器的优点。在基于DBN-SVM的解调器中，接收信号在被馈送到DBN网络之前被归一化。在此基础上，设计了一种基于AdaBoost的解调器，该解调器采用$k$ -最近邻（KNN）作为弱分类器，形成强组合分类器。实验结果表明，基于DBN-SVM的解调器和基于AdaBoost的解调器优于基于DBN、SVM和最大似然（MLD）解调器的单一分类方法。
2019-03-08 cs.LG eess.SP stat.ML
Mixture GAN For Modulation Classification Resiliency Against Adversarial Attacks
University of Houston（休斯顿大学）
使用深度神经网络（DNN）方法的自动调制分类（AMC）优于传统分类技术，即使在存在挑战性的无线信道环境的情况下也是如此。然而，对抗攻击通过向无线信道注入精心设计的扰动而导致基于DNN的AMC的准确性损失。在本文中，我们提出了一种新的基于生成对抗网络（GAN）的对策方法，以保护基于DNN的AMC系统免受对抗攻击的例子。基于GAN的目标是在馈送到基于DNN的分类器之前消除对抗攻击示例。具体来说，我们已经展示了我们提出的防御GAN对快速梯度符号方法（FGSM）算法的弹性，该算法是最有效的攻击算法之一，可以制造扰动信号。现有的防御GAN已经被设计用于图像分类，并且在考虑上述通信系统的情况下不工作。因此，我们提出的对策方法部署GANs与混合的发电机，以克服模式崩溃的问题，在一个典型的GAN面临的无线电信号分类问题。仿真结果表明，我们提出的防御GAN的有效性，使它可以提高基于DNN的AMC下对抗攻击的准确性，约81%。
2022-05-29 cs.AI cs.LG cs.NI
Multi-task Learning Approach for Automatic Modulation and Wireless Signal Classification
ANDRO Computational Solutions, LLC（ANDRO计算解决方案有限责任公司）；Marconi-Rosenblatt AI/ML Innovation Laboratory（马可尼-罗森blatt人工智能/机器学习创新实验室）
无线信号识别对于频谱监测、频谱管理和安全通信变得越来越重要。因此，它将成为新兴的第五代（5G）及5G以后通信、物联网网络等的关键推动者。在无线信号识别的最新研究只集中在一个单一的任务，在许多情况下是不够的信息系统采取行动。在这项工作中，第一次在无线通信领域，我们利用深度神经网络的潜力，结合多任务学习（MTL）框架，同时学习调制和信号分类任务。建议MTL架构受益于这两个任务之间的相互关系，在提高分类精度以及学习效率与轻量级的神经网络模型。此外，我们考虑的异构无线信号，如雷达和通信信号在电磁频谱的问题。因此，我们已经展示了所提出的MTL模型如何优于几种最先进的单任务学习分类器，同时保持更轻的架构并同时执行两个信号表征任务。最后，我们还发布了唯一已知的开放式异构无线信号数据集，该数据集由具有多个标签的雷达和通信信号组成。
2021-02-20 cs.LG cs.NI
A Photonic-Circuits-Inspired Compact Network: Toward Real-Time Wireless Signal Classification at the Edge
Princeton University（普林斯顿大学）；Queen’s University（女王大学）；Vector Institute（矢量研究所）；Lockheed AI center（洛克希德人工智能中心）；the Chinese University of Hong Kong（香港中文大学）
机器学习（ML）方法在无线通信系统中无处不在，并且已经证明对于包括射频（RF）指纹识别、自动调制分类和认知无线电的应用是强大的。然而，ML模型的大尺寸可能使它们难以在边缘设备上实现对延迟敏感的下游任务。在无线通信系统中，亚毫秒级的ML数据处理将实现实时网络监控，以提高安全性并防止渗透。此外，可以在芯片级实现ML模型的紧凑且可集成的硬件平台将在无线通信网络中得到更广泛的应用。对于边缘的实时无线信号分类，我们提出了一种新型的紧凑型深度网络，该网络由光子硬件启发的递归神经网络模型与简化的卷积分类器相结合组成，并通过随机传输演示了其在识别RF发射器中的应用。与所提出的模型，我们实现了96.32%的分类准确率在一组30个相同的ZigBee设备时，使用的训练参数比现有的最先进的CNN分类少50倍。由于网络规模大幅缩小，我们使用小型FPGA板PYNQ-Z1演示了延迟为0.219 ms的实时RF指纹识别。
2021-06-25 cs.LG eess.SP
Feature Activation Map: Visual Explanation of Deep Learning Models for Image Classification
Griffith University（格里菲斯大学）
针对无全连接层的图像分类模型，本文提出事后可视化解释方法FAM，利用图像嵌入相似度计算通道权重并生成解释图，实验验证其有效性。
2023-07-11 cs.AI cs.CV cs.LG
Real-time Over-the-air Adversarial Perturbations for Digital Communications using Deep Neural Networks
Intellisense Systems, Inc（智能感知系统公司）
深度神经网络（DNN）越来越多地用于各种传统的射频（RF）问题。以前的工作表明，虽然DNN分类器通常比传统的信号处理算法更准确，但它们容易受到故意制作的对抗性扰动的影响，这些扰动可以欺骗DNN分类器并显着降低其准确性。这种故意的对抗性扰动可以由RF通信系统使用，以避免依赖于DNN分类器来识别其目标调制方案的反应式干扰机和拦截系统。虽然先前关于RF对抗性扰动的研究已经使用模拟研究建立了这种攻击的理论可行性，但关于现实世界实施和可行性的关键问题仍然没有答案。这项工作试图通过定义类特定和样本独立的对抗性扰动来弥合这一差距，这些扰动被证明是有效的，但在实时的【形】和时不变的计算上是可行的。我们证明了这些攻击的有效性在空中的物理信道使用软件定义的无线电（SDR）。最后，我们证明了这些对抗性扰动可以从通信设备以外的源发出，使得这些攻击对于无法在物理层操纵其传输信号的设备是实用的。
2022-02-20 cs.AI cs.CR cs.LG
Convolutional LSTMs for Cloud-Robust Segmentation of Remote Sensing Imagery
Technical University of Munich（慕尼黑工业大学）
云经常覆盖地球表面，对光学地球观测方法构成无所不在的挑战。绝大多数遥感方法要么选择性地选择单一的无云观测，要么采用预分类策略来识别和掩盖多云像素。我们遵循不同的策略，并将云覆盖视为观测卫星数据固有的噪声。在以前的工作中，我们直接采用了一个简单的\emph{convolutional long short-term memory}网络的植被分类没有明确的云过滤，并取得了国家的最先进的分类精度。在这项工作中，我们通过可视化内部细胞激活并对不同云覆盖率的数据集进行消融实验来进一步研究这种云的鲁棒性。在网络状态的可视化中，我们发现了一些细胞，其中调制和输入门在多云像素上关闭。这表明网络已经内化了云过滤机制，而没有专门针对云标签进行训练。总的来说，我们的研究结果质疑了多时间深度学习方法的复杂预处理管道的必要性。
2018-12-02 cs.CV cs.LG stat.ML
Large-Scale Classification of Shortwave Communication Signals with Machine Learning
本文提出一种盲式深度卷积神经网络方法，用于对160种短波信号进行大规模分类，在仅1秒观测时间内于真实信号上达到90%准确率。
2025-04-07 cs.AI cs.LG eess.SP
Deep Learning Detection of Beyond-General-Relativity Deviations in Gravitational-Wave Signals: A Detection-Threshold Study with Real LIGO Noise
Concordia University（康考迪亚大学）
本研究利用混合CNN分类器在真实LIGO噪声中探测引力波信号的广义相对论外偏差，确定探测阈值约为β≈0.25，并指出小偏差时的负结果量化了纯机器学习搜索的局限。
2026-09-18 astro-ph.IM cs.LG gr-qc
Wavelet Scattering Transform for Interpretable Schizophrenia Biomarker Discovery and Classification from Resting-State EEG
Department of EECE, Military Institute of Science and Technology (MIST)（电子工程与计算机科学系，军事科学与技术学院（MIST））
针对现有精神分裂症EEG分类方法存在特征缺陷、数据泄露的问题，本研究结合小波散射变换、留一受试者交叉验证与SHAP可解释性方法，实现高精度分类并识别出关键生物标志物。
2026-07-07 cs.AI cs.LG eess.SP
Controlling for Confounders in Multimodal Emotion Classification via Adversarial Learning
University of Michigan（密歇根大学）
各种心理因素影响个人如何表达情绪。然而，当我们收集用于构建情感识别系统的数据时，我们经常试图通过创建专注于引发情感行为的范式来实现这一目标。用这些类型的数据训练的算法不太可能在受控环境之外发挥作用，因为我们的情绪会随着这些其他因素的变化而自然变化。在这项工作中，我们研究如何多模态表达的情绪变化时，一个人是在不同程度的压力。我们假设，压力产生的调制可以隐藏个人的真实潜在情绪，我们可以通过控制压力的变化使情绪识别算法更具普遍性。为此，我们使用对抗网络来将压力调制与情绪表征去相关。我们研究了压力如何改变声学和词汇的情感预测，特别注意如何调制由于压力影响跨域的学习情感识别模型的可转移性。我们的研究结果表明，压力确实是编码在训练有素的情绪分类器，这种编码不同层次的情绪和整个词汇和声学模态。我们的研究结果还表明，与在训练过程中不控制压力的模型相比，在训练过程中控制压力的情感识别模型在应用于新领域时具有更好的泛化能力。我们的结论是，在建立和测试情绪识别模型时，有必要考虑外部心理因素的影响。
2019-08-23 cs.CL cs.LG cs.SD
Solution for the EPO CodeFest on Green Plastics: Hierarchical multi-label classification of patents relating to green plastics using deep learning
本研究的目的是对绿色塑料相关技术的专利进行多标签专利分级。这是一个新兴领域，目前没有分类方案，因此没有标记数据可用，使得这项任务特别具有挑战性。我们首先提出了一个分类方案，这项技术和一种方法来学习一个机器学习模型，将专利分类到建议的分类方案。为了实现这一目标，我们提出了一种自动为专利分配标签的策略，以创建一个标记的训练数据集，该数据集可用于在监督学习设置中学习分类模型。使用所述训练数据集，我们提出了两个分类模型，一个SciBERT神经网络（SBNN）模型和一个SciBERT分层神经网络（SBHNN）模型。这两种模型都使用BERT模型作为特征提取器，并在其上使用神经网络作为分类器。我们进行了广泛的实验和报告共同评估指标，这个具有挑战性的分类问题。实验结果验证了我们的方法的有效性，并表明我们的模型设置了一个非常强大的基准这个问题。我们还通过可视化训练模型给出的单词重要性来解释我们的模型，这表明该模型能够提取输入文档的高级语义信息。最后，我们强调了我们的解决方案如何满足EPO CodeFest的评估标准，并概述了未来工作的可能方向。我们的代码已在https://github.com/epo/CF22-Green-Hands上提供
2023-02-22 cs.CL cs.LG
