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~
DOI: https://doi.org/10.21203/rs.3.rs-3696311/v1
摘要
自动调制识别是电子侦察领域的一项关键技术。得益于深度神经网络强大的特征提取能力，基于监督式深度学习的AMR算法通常可以获得令人满意的性能。然而，在非合作场景中，高质量和可靠的调制标签是难以获得的。因此，本文提出了一种新的无监督AMR框架称为多表示注意域对比学习（MAC）。通过跨多表示域的无监督对比学习方法仔细利用未标记的信号数据是比直接使用不同表示作为输入更有效的方法。MAC的目标是从未标记的信号中获得高质量的信号特征信息。详细地，域间和域内对比学习最大化不同表示域之间的互调制特征，并分别在同相和正交（I-Q）表示中保持自信息。此外，域注意力（DA）模块将表示域的选择从信号级转移到特征级。通过公开数据集评估了拟议框架的绩效。实验结果表明，MAC算法在调制识别方面明显优于现有的无监督算法，并具有上级泛化能力。此外，我们的框架可以扩展以适应各种表示域和端到端训练，从而显着提高训练深度神经网络进行自动调制分类的效率，而无需标记数据。这些结果突出了AMR领域中无监督和监督表示学习之间的差异的大幅减少。
引言
现代战争中军事信息的获取在很大程度上依赖于通信情报收集[1]，通信情报收集是电子战和干扰作战的基本前提。无线信号的调制识别是一种广泛应用于通信侦察的技术[2]，[3]。自动调制识别（AMR）的目的是识别无线信号中采用的调制方案，并区分其类型，特色。在非合作场景（如电子监控和情报收集）中，AMR充当信号检测和解调之间的关键中间信号处理级[4]。
一般来说，传统的AMR方法可以根据其基本原理大致分为两种类型：基于可能性的AMR（LB-AMR）和基于特征的AMR（FB-AMR）。LB-AMR算法将调制识别问题视为多假设检验问题，并采用来自最大似然理论的原理[5]。从贝叶斯估计的角度来看，这些方法有可能实现最佳的识别精度，并且通常不需要大量的训练样本。然而，它们与相对高的计算复杂度相关联。另一方面，FB-AMR算法从信号样本中提取有区别的代表性特征，并采用合适的分类器进行信号分类。特征和分类器的选择取决于AMR任务的具体要求。
人工神经元的堆叠层提供的强大特征提取能力引发了使用深度学习（DL）方法进行无线信号检测和识别领域研究的显著扩展。数据驱动的DL-AMR方法通常采用监督学习，其中设计良好的深度神经网络由大量标记样本训练。这些经过训练的网络可以有效地从输入信号中提取高维特征，从而区分各种调制类型。上述监督模型在大量标记样本上训练时显示出令人印象深刻的结果[6]。然而，注释大量标记的信号样本的过程需要在时间和财政资源方面的大量投资。此外，在非协作场景中，在接收机处获取针对相当多的接收到的无线信号的准确调制标签造成了固有的困难。这些挑战严重阻碍了监督模型的训练。
无监督学习的机制为解决上述问题提供了一种新的方法。无监督学习在自然语言处理领域取得了显着的成功，例如GPT [7]和BERT [8]。
无监督自动调制识别（UAMR）的关键在于信号表示方法情绪学习。最近的研究[9]，[10]提供了令人信服的证据，证明在无监督表征学习中利用对比损失可以获得上级的性能。对比学习的目标是通过最小化特征空间中正样本之间的距离和最大化特征空间中负样本之间的距离来学习表征。值得注意的是，这种表征学习过程不需要任何标签就能进行。通过无监督学习获得的信号表示可以在特定场景中进行微调后应用于下游任务。提出的基于对比学习的无监督调制识别算法的工作流程如图1所示。
提出了一个新的无监督的多表征注意域对比学习（MAC）框架.该框架将多域信号表示与对比学习相结合。通过信号变换和数据扩增产生未标记信号的正样本和负样本。MAC在域内和域间进行对比学习，提取域不变调制特征，解决了非合作场景下，未标记信号无法支持AMR监督训练的问题。此外，我们提出了“I-Q单中心”优化策略，将所提出的MAC扩展到任意数量的表示域.与典型的利用多输入信息的AMR方法不同，提出了一种区分和平衡不同表示域特征的域注意（Domain Attention，DA）模型。该方法将非专家辅助的表示域选择和多表示域UAMR集成到一个端到端的神经网络中，不仅在UAMR领域获得了较高的分类精度，而且具有较强的泛化能力。本文的贡献可以概括为以下几点。
·为了解决监督学习中需要大量准确标记的调制信号样本以及非合作场景中缺乏标记样本的挑战，我们开发了一种用于无线调制信号的无监督表示学习的端到端框架，称为基于MAC的UAMR。从不同的表示域观察调制信号类似于从不同的视角观察图像，其中调制类型在所有表示域中保持不变。MAC最大化信号在不同域中的表示之间的互信息，构造无线信号的双域特征字典。利用代理任务，MAC实现了在无标记场景中的信号表示学习。据我们所知，我们提出的无监督表示学习框架在调制识别领域是开创性的。
·与以前的多输入AMR算法相比，所提出的DA旨在基于其上下文相关性强调来自多个表示域的深度特征。DA忽略不相关或冗余的特征，确保最终分类器准确地集中在有意义的特征上。从另一个角度来看，为不同调制类型选择合适的变换域是在特征级完成的，这比在信号预处理级依赖专家知识更鲁棒。直观地展示了高级表示域选择，以增强DA模块的可解释性。
·提出了一种新的优化策略，将MAC框架扩展到任意数量的表示域，同时以较低的算法复杂度最大化调制信号域之间的互信息。
·为了缓解无线信号接收过程中遇到的挑战，包括低信噪比（SNR），丢失符号，频率偏移和相位偏移等问题，我们采用了四种数据增强技术来构建I-Q域表示学习中的正负样本对。
·针对基于MAC的UAMR框架，提出了一种域内-域间双循环对比损耗计算方法，该方法能够同时探索域内信号表示和域间域不变调制特征。
文章插图
结论
本文提出了一种新的无监督框架，基于MAC的UAMR，无线信号。MAC利用未标记的信号样本来生成伪标签。使用信号多表示域和数据增强来创建正样本和负样本对，信号表示学习是自监督的。具体来说，DA模块为多表示域分配适当的注意力，从而促进最佳信号表示域的选择。随后，编码器参数被冻结，分类头被训练以评估表示学习的功效。两个公共数据集的结果凸显了MAC框架令人印象深刻的无监督学习能力和可解释性。它有效地减少了监督模型在分类结果方面的差异，并表现出鲁棒的泛化性能。对于未来的工作，我们计划通过考虑多种相似性度量方法来优化表示学习过程。评估无监督表示学习程度的定量指标需要挖掘。最重要的是，无监督信号表示学习并不局限于特定的特征任务。我们的目标是利用MAC在多个下游任务之间进行传输，例如调制识别，关键信号参数估计，SNR估计和通信信号行为识别。
