Digital Operating Mode Classification of Real-World Amateur Radio Transmissions

要約

この研究では、現実世界の送信で評価されたデジタル無線動作モードを分類するための ML アプローチを紹介します。
17 のデジタル動作モードから 98 の異なるパラメータ化された無線信号を生成し、それぞれを 70 cm (UHF) アマチュア無線帯域で送信し、2 つの異なるアーキテクチャの SDR 受信機で送信を記録しました。
3 つの軽量 ML モデルは、ペイロードとしてランダムな文字を含む、限定された非送信信号のスペクトログラムのみでトレーニングされました。
このトレーニングには、さまざまな無線チャネル障害をシミュレートするためのオンライン データ拡張パイプラインが含まれていました。
当社の最良のモデルである EfficientNetB0 は、ウィキペディアの記事をペイロードとして使用した実際の送信で評価し、17 の動作モード全体で 93.80%、パラメータ化された 98 個の無線信号すべてで 85.47% の精度を達成しました。
さらに、さまざまな信号継続時間と FFT ビンの数が分類に及ぼす影響を分析し、シミュレートされたチャネル障害の有効性を評価し、複数のシミュレートされた SNR にわたってモデルをテストしました。

要約(オリジナル)

This study presents an ML approach for classifying digital radio operating modes evaluated on real-world transmissions. We generated 98 different parameterized radio signals from 17 digital operating modes, transmitted each of them on the 70 cm (UHF) amateur radio band, and recorded our transmissions with two different architectures of SDR receivers. Three lightweight ML models were trained exclusively on spectrograms of limited non-transmitted signals with random characters as payloads. This training involved an online data augmentation pipeline to simulate various radio channel impairments. Our best model, EfficientNetB0, achieved an accuracy of 93.80% across the 17 operating modes and 85.47% across all 98 parameterized radio signals, evaluated on our real-world transmissions with Wikipedia articles as payloads. Furthermore, we analyzed the impact of varying signal durations & the number of FFT bins on classification, assessed the effectiveness of our simulated channel impairments, and tested our models across multiple simulated SNRs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google