A robust modulation classification method using convolutional neural networks

Abstract

Automatic modulation classification (AMC) is a core technique in noncooperative communication systems. In particular, feature-based (FB) AMC algorithms have been widely studied. Current FB AMC methods are commonly designed for a limited set of modulation and lack of generalization ability; to tackle this challenge, a robust AMC method using convolutional neural networks (CNN) is proposed in this paper. In total, 15 different modulation types are considered. The proposed method can classify the received signal directly without feature extracion, and it can automatically learn features from the received signals. The features learned by the CNN are presented and analyzed. The robust features of the received signals in a specific SNR range are studied. The accuracy of classification using CNN is shown to be remarkable, particularly for low SNRs. The generalization ability of robust features is also proven to be excellent using the support vector machine (SVM). Finally, to help us better understand the process of feature learning, some outputs of intermediate layers of the CNN are visualized.

Development of complex methodology of processing heterogeneous data in intelligent decision support systems

“…In [11], a method for determining the type of signal modulation based on a convolutional neural network by analyzing various signal parameters is proposed. This method is highly effective, but can only be used to solve radio monitoring problems, requires significant computing resources and does not take into account the degree of uncertainty about the state of the monitoring object.…”

Automatic Wireless Signal Classification: A Neural-Induced Support Vector Machine-Based Approach

“…Oshea [21] used CNN directly for modulation classification and achieved a promising performance compared to previous feature-based neural network approaches. In Reference [26], CNN was used to learn features separately, which are then used as input for a Support Vector Machine classifier. However, all of the aforementioned methods based on Convolutional Neural Networks (CNN) used the softmax activation function (multinomial logistic regression) for the classification decision.…”

Classificação Automática de Modulações usando Redes Convolucionais 1D

“…A classificação automática de modulações (automatic modulation classification, AMC), cujo propósito consiste em reconhecer de modo autônomo o tipo de modulação do sinal recebido, tem desempenhado um importante papel nos sistemas modernos de comunicação sem fio. Com aplicações militares em vigilância e guerra eletrônica, a AMC também tem adquirido notabilidade por suas aplicações em rádio cognitivo, rádio definido por software [1] e comunicação adaptativa [2]. Nesse contexto, a AMC auxilia tanto os usuários na definição apropriada dos parâmetros de transmissão para assegurar a qualidade da comunicação, como na identificação de transmissores, detecção de anomalias e localização de interferências [3].…”

“…Os métodos FB, por sua vez, focam na extração de características e nos critérios de classificação, sendo constituídos de dois subsistemas, o extrator de características e o classificador. As principais características extraídas no contexto da AMC são aquelas baseadas no domínio de tempo instantâneo, nas transformações e nas estatísticas do sinal [2]. No que se refere aos classificadores,árvore de decisão, máquina de vetores de suporte (support vector machine, SVM), K vizinhos mais próximos (K nearest neighboors, KNN) e redes neurais artificiais figuram entre aqueles mais utilizados [4].…”

“…De fato, vale acentuar que o desempenho dos métodos FB depende diretamente das características extraídas e do tipo de classificador. Assim, na maioria dos casos, as características extraídas devem ser projetadas manualmente para a modulação e canal correspondentes, o que exige considerações altamente específicas que, em geral, resultam em abordagens não flexíveis [2].…”