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
深度学习（DL）的最新进展显著增强了自动调制分类（AMC），减少了对复杂特征工程的依赖，并大幅提高了分类精度。然而，传统的基于DL的AMC方法大多采用频率论方法，适应性较差，难以提供可靠的不确定性估计，尤其是在有限数据上训练时。为了克服上述缺陷，本文提出一种新的贝叶斯DL框架，该框架适用于不确定性感知的增量AMC.本文的框架包括两个阶段的过程，首先使用频率论方法中的累积损失函数优化模型参数，然后应用贝叶斯神经网络（BNN）技术，如拉普拉斯近似和变分推断，进行统计推断。该框架确保了鲁棒的校准和可缩放性，使得分类器能够通过接收附加信号样本来递增地细化其预测，并且一旦置信度得分满足预定分类准确度目标，则终止细化过程。此外，我们的分类器的这些增强的能力可以扩展到通过辨别与变化的序列长度相关联的不同的置信度得分模式来识别新的、不可见的调制方案。仿真结果表明，在训练数据有限的实际场景下，与传统的基于DL的AMC方法相比，所提出的基于不确定性的增量式AMC方法具有更高的分类精度和上级的校正性能。
引言
自动调制分类（AMC）是在接收器处基于其接收信号识别调制类型的过程。实现接收机的自动配置，降低系统开销，提高通信效率，对于民用和军用都具有重要意义。传统的AMC可以大致分为两种类型：1）基于似然的方法和2）基于特征的方法。在基于似然的方法中，通过创建多个候选调制来计算每个候选调制的似然函数。假设检验问题，并选择具有最大似然值的调制方案[1]。虽然这种方法已被证明可以达到最佳性能，但其计算复杂度太高，无法在实时系统中实现。此外，在实际通信场景中，很难获得精确的似然函数。在基于特征的方法中，如果特征设计得很好，则可以实现接近于基于似然的方法的性能，并且计算复杂度大大降低。在文献中，已经考虑了AMC的各种特征，包括接收信号的高阶矩和累积量[2]、循环平稳性[3]以及瞬时幅度、相位和频率[4]。然而，这些特征需要根据关于信道模型和调制方案的专家知识来手动设计。
为了解决传统方法的缺点，基于深度学习（DL）的数据驱动方法最近引起了极大的关注。凭借DL，它不仅可以在没有人为干预的情况下直接从原始数据中提取重要特征，而且还可以实现比传统的基于特征的方法更好的分类性能[5]。在[6]中，为图像分类开发的众所周知的模型架构，例如，视觉几何组（VGG）和残差神经网络（ResNet）在AMC中也是有效的。在[7]，[8]和[9]中，卷积神经网络（CNN）架构已被设计用于计算高效的AMC。在[10]，[11]，[12]，[13]和[14]中，传统的递归神经网络（RNN）和长短期记忆（LSTM）已被采用作为有效的模型架构，用于从多径衰落信道中的接收信号中提取时间特征，并已显示在准确性方面优于CNN。此外，LSTM可以对具有任意长度接收信号序列的调制方案进行分类[11]，[12]，[13]。基于DL的AMC方法的全面比较，包括前面提到的方法，已在[15]中给出。
所有上述基于DL的AMC都依赖于频率论方法，该方法旨在确定使预期损失函数最小化的最佳模型参数。因此，传统的基于DL的AMC在用数据集训练后产生了模型参数的点估计。尽管这种频率论方法已被证明在实际场景中可以实现高分类准确性，它没有提供关于其预测的可靠的不确定性信息。Softmax激活函数的输出提供了预测可靠性的粗略估计，但它在准确表示实际预测可靠性方面具有固有的局限性，主要是由于其倾向于产生过度自信的预测[16]。例如，在具有低信噪比（SNR）和/或短接收序列长度的挑战性信道条件下，分类器可能做出不正确的预测，而对应的Softmax值往往保持较高。频率论方法的这种过度自信行为在具有小和/或噪声训练数据集的实际场景中变得更加明显，使得直接使用Softmax输出来量化预测不确定性变得具有挑战性。此外，当接收到来自新的不可见调制方案的样本序列时，传统的频率论方法难以确定它与任何候选调制都不匹配。如果预测不确定性信息在分类器处可用，则可以通过根据其不确定性信息不同地处理预测来进一步提高通信效率[17]。特别是在医疗保健和自动驾驶等安全关键型应用中，预测不确定性与预测准确性一样重要，以避免危险情况。
为了获得可靠的预测不确定性信息，我们在机器学习中采用了贝叶斯方法。与频率论方法不同，贝叶斯方法允许我们导出模型参数和预测的概率分布，从而提供对预测不确定性的更准确评估。尽管其重要性和潜力，贝叶斯学习在AMC中尚未得到很好的研究，除了[18]。在[18]中，已经表明基于贝叶斯学习的AMC提供了良好校准的预测，置信度得分与实际准确度密切匹配。然而，这项工作的主要重点是贝叶斯方法的校准性能，而不是分类器的综合能力。开发的分类器，基于前馈神经网络（FNN）架构，可能具有固有的局限性，在解决一些实际的挑战。例如，它不能处理偏离训练数据集的可变长度的接收序列，并且难以在具有有限训练数据的场景中有效地捕获接收序列的时间特征。
受传统AMC方法的局限性，我们提出了新的基于贝叶斯的不确定性感知增量AMC方法。具体来说，我们的DL框架使分类器不仅能够为其预测提供可靠的不确定性估计，而且即使在小数据集上训练时也能保持高预测精度。此外，所提出的方法的目的是有效地保留这些属性时，应用到接收到的序列，比那些用于训练。这种可扩展性为贝叶斯分类器提供了新的高级AMC功能，超出了预测可靠性的评估。首先，我们的方法的鲁棒可扩展性支持自适应实时AMC，其中分类器随着额外信号的接收而递增地改进其预测样品该细化继续，直到置信度得分满足目标分类精度，从而最小化对多余信号样本的需要。第二，可缩放性还使得能够识别训练阶段缺少的不可见调制方案。分类器可以通过其相对于接收到的序列长度的独特的置信度得分模式来识别未被看见的调制方案。我们通过对RadioML 2018.01A数据集[6]的几次仿真，验证了所提出的方法相对于传统的基于学习的AMC方法的这些优势。
文章插图
结论
在这篇文章中，我们提出了一种新的贝叶斯学习框架的不确定性感知增量调制分类传统的DL为基础的AMC的局限性。我们的方法包括两个阶段：1）使用给定的训练数据集，以频率论方式通过累积损失函数优化模型参数，以及2）将LA和VI等BNN方法应用于模型的最终层进行统计推断。我们对RadioML 2018.01A数据集的模拟表明，我们的框架在分类精度和校准性能方面优于传统的AMC方法。值得注意的是，基于强大的校准性能，我们的分类器已经能够用于识别新的，看不见的调制方案。这些发现不仅强调了我们提出的框架的有效性，而且为AMC技术的未来探索开辟了途径。
