微信公众号：EW Frontier
关注可了解更多的雷达、通信、人工智能相关代码。问题或建议，请公众号留言;
如果你觉得EW Frontier对你有帮助，欢迎加入我的知识星球或面包多，更多代码等你来学
知识星球：https://wx.zsxq.com/dweb2/index/group/15552518881412
面包多：https://mbd.pub/o/author-a2mYl2tsbA==/workQQ交流群：729981694
如有侵权请联系删除~
摘要
在下一代通信中，大规模机器类型通信（mMTC）给基站带来了严重的负担。为了解决这样的问题，自动调制分类（AMC）可以通过在没有握手的情况下盲目地识别调制类型来帮助减少信令开销。因此，它在未来的智能调制解调器中起着重要的作用。新兴的深度学习（DL）技术可将智能存储在网络中，从而带来上级传统方法的性能。然而，传统的基于动态链接的方法在训练开销、存储开销和计算复杂度等方面都存在较大的问题，严重阻碍了资源受限场景下的实际应用，如V2X（Vehicle-to-Everything）应用。此外，在现有技术中还没有研究在时变衰落信道下的在线再训练的开销。科普上述问题，提出了一种基于累积极性特征的信道补偿DL算法.仿真结果表明，利用历史数据信息从极域中学习特征，在训练开销降低99.8倍的情况下，性能接近最优。其次，提出的基于神经网络的信道估计器（NN-CE）能够学习信道响应并补偿失真信道，性能提高了13%。在时变衰落信道中，提出了两种有效的在线再训练机制，分别降低了90%和76%的传输开销和再训练开销.最后，在一个公共数据集上对所提方法的性能进行了评估，并与现有方法进行了比较，证明了所提方法的高效性和轻量性。该机制的轻量级和高效的学习特性将对未来资源受限/感知的IoT/V2X应用具有很大的吸引力。
引言
预计到2020年，第五代（5G）蜂窝系统将支持超过500亿台设备，即大规模机器类型通信（MTC），这对基站造成了巨大的负担，信令开销和能耗成本很高[1]，[2]。
为了解决上述在增强服务质量（QoS）方面的挑战，软件定义无线电（SDR），认知无线电（CR）和具有自适应调制的系统已经被广泛研究[3]-[8]。它们都倾向于开发能够进行频谱感知、自适应以及与邻居协作的智能调制解调器，以便充分利用可用的无线电频谱。为了实现这一目标，提出了自动调制分类（AMC）机制作为信号检测和解调之间的中间步骤[9]-[12]。根据频谱感知的结果，自动分类各种调制方案，以动态调整传输数据速率，以满足QoS要求。在接收机侧，AMC被执行以在没有系统参数的先验知识的情况下盲识别调制类型。因此，利用有效的AMC技术，可以进一步减少用于交换先验协议信息的握手。它可以实现更低的信令开销和更好的传输效率[10]，这对于未来的物联网和资源有限的V2X应用特别有用。
在过去的几十年里，人们对资产管理公司进行了各种各样的研究。它们通常可以分为两类：基于似然（LB）的方法[9]-[17]和基于特征（FB）的方法[9]-[12]，[18]-[23]。LB方法是基于最大化的似然函数的假设的概率密度函数的输入信号。虽然LB方法可以提供贝叶斯意义上的最佳性能，但它需要对接收信号的完全了解，并且具有高计算复杂度。另一方面，FB方法，决策是基于接收信号的提取特征，如高阶统计量（HOS）和功率谱密度。与LB方法相比，FB方法实现简单，性能接近最优。
近年来，随着机器学习（ML）技术在各个领域不断取得重大突破，许多研究人员也利用ML技术作为提取特征的分类器，如支持向量机，K-最近邻和遗传编程[24][26]。在不提取手工设计的特征的情况下，深度学习（DL）可以自动学习高级特征。由于其在具有复杂和深层架构的识别任务中的上级性能，它受到了广泛关注[27]-[36]。例如，一维卷积神经网络在[28]，[30]，[32]，[36]中被利用来实现只有原始IQ样本的有希望的性能。此外，[31]将接收到的符号映射到复平面上的散射点，作为二维CNN的输入，具有更好的性能，如图1（a）所示。
然而，基于深度学习的方法在实践中需要解决三个关键问题：
1)计算复杂度高：基于数据挖掘的方法利用网络存储从海量数据中学习到的信息，可以达到较高的识别精度。然而，复杂而深入的体系结构给在线推理带来了严重的计算复杂度和内存开销。
2)离线培训开销：基于DL的方法的另一个关键问题是离线训练阶段的开销，如训练时间和大量训练数据的必要性，这消耗了大量的能量，严重阻碍了基于DL的方法的部署。
3)在线再训练的资源消耗：在一些现有工作的仿真中，只假设加性白色高斯信道。它在开发阶段是好的，但不够实用[29]-[31]。此外，由于训练数据和推理数据之间的不匹配，真实世界的信道可能随时间变化，这显著降低了基于DL的方法的性能。因此，在线再训练而没有不可容忍的资源消耗的信道适应是不可或缺的，以确保模型保持准确。
在本文中，我们的目的是利用卷积神经网络的优势，为AMC的问题。为了解决上述三个问题，我们提出了一种新的数据变换方法，如图1（B）所示，并提出了一种基于神经网络的信道估计器（NN-CE），该估计器具有有效的在线再训练机制，以克服时变衰落信道，如图1（c）所示。1本文的主要贡献总结如下：
1)针对深层架构的累积极坐标特征：我们利用人类的领域知识提出了累积极坐标特征。将接收信号变换到一个较易分类的区域，有助于将分类精度提高到近最优区域。此外，与[31]相比，在数据转换的帮助下，模型大小，训练时间和训练数据可以显着减少。因此，我们大大降低了计算复杂度，并减轻了99.8倍的训练开销，这是更可行的实际实现和应用。
2)基于神经网络的信道估计器（NN-CE）：我们考虑具有失真幅度的衰落信道，相移导致相关工作中的严重性能下降。然后，我们设计了一个基于神经网络的信道估计器，在SNR = 0 dB的情况下，恢复失真的信道，改善了13%。
3)NN-CE在线再训练的有效机制：考虑到时变衰落信道，我们提出了两种有效的在线再训练机制，以弥补精度下降。由于NN-CE的优点，我们可以减少90%的传输开销和再训练开销，分别为76%。
我们比较所提出的方法与现有技术的计算复杂度。与基于似然的方法相比，该方法可以实现更高的识别精度，同时使用更短的推理时间2,200倍。此外，还可以有效地提高失真信道下的鲁棒性。此外，不同的基于DL的方法之间的性能也进行了评估，在一个公开的数据集进行公平的比较，这表明了我们的方法的效率和轻量级。因此，我们的AMC机制在V2X等资源受限的应用中非常实用。
文章插图
结论
提出了一种新的基于累积极坐标特征的深度学习和信道补偿机制。首先，利用累积的极坐标特征，从具有历史信息的域中学习，减少离线训练开销，逼近最优识别精度。𝑟其次，提出的NN-CE算法能够对实际信道中的失真信号进行补偿。此外，我们提出了两种处理时变衰落信道的在线再训练机制，同时具有较低的传输开销和再训练开销。因此，所提出的设计可以作为一种高效和轻量级的技术来实现智能接收机在实际环境中，如资源有限的物联网和V2X应用。
