In this paper, we consider the problem of automatic modulation classification with multiple sensors in the presence of unknown time offset, phase offset and received signal amplitude. We develop a novel hybrid maximum likelihood (HML) classification scheme based on a generalized expectation maximization (GEM) algorithm. GEM is capable of finding ML estimates numerically that are extremely hard to obtain otherwise. Assuming a good initialization technique is available for GEM, we show that the classification performance can be greatly improved with multiple sensors compared to that with a single sensor, especially when the signal-to-noise ratio (SNR) is low. We further demonstrate the superior performance of our approach when simulated annealing (SA) with uniform as well as nonuniform grids is employed for initialization of GEM in low SNR regions. The proposed GEM based approach employs only a small number of samples (in the order of hundreds) at a given sensor node to perform both time and phase synchronization, signal power estimation, followed by modulation classification. We provide simulation results to show the computational efficiency and effectiveness of the proposed algorithm.


翻译:在本文中,我们考虑了在未知时间抵消、相抵和接收信号振幅的情况下对多个传感器进行自动调控的问题。我们根据普遍预期最大化算法制定了新的混合最大可能性(HML)分类办法。GEM能够从数字上找到极难获得的ML估计值。假设GEM具备良好的初始化技术,我们表明,与单一传感器相比,多传感器的分类性能可以大大改进,特别是在信号对噪音比率低的情况下。我们进一步表明,在模拟统一和非统一电网的情况下,在低标准NR区域启动GEM时,我们的方法表现优异。拟议的GEM方法在给定传感器节点仅使用少量样本(大约几百个),以进行时间和阶段同步、信号功率估计,然后进行调制分类。我们提供了模拟结果,以显示拟议算法的效率和效力。

0
下载
关闭预览

相关内容

Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
3+阅读 · 2018年10月5日
Learning Blind Video Temporal Consistency
Arxiv
3+阅读 · 2018年8月1日
Arxiv
5+阅读 · 2018年6月12日
VIP会员
相关VIP内容
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员