Mejorando el reconocimiento de redes LPWAN sub-GHz: un enfoque de aprendizaje profundo con el conjunto de datos UPC-LPWAN-1

Abstract

Las redes neuronales profundas (DNN) han surgido como una técnica eficaz para el reconocimiento de modulación/sistemas, pero dependen en gran medida de conjuntos de datos representativos. Este artículo presenta el conjunto de datos “UPC-LPWAN-1”, una colección integral de 40 modos de transmisión LPWAN sub-GHz obtenidos utilizando hardware real. Disponible públicamente para la comunidad científica, este conjunto de datos incluye muestras en bruto y preprocesadas a diferentes relaciones señal-ruido (SNR) y presenta modulaciones multiportadora, que suelen estar subrepresentadas en los conjuntos de datos existentes. La variabilidad en los estudios que utilizan diferentes arquitecturas de redes neuronales y conjuntos de datos pequeños y poco representativos dificulta la comparación de resultados de investigación. Para abordar este problema, este artículo compara siete arquitecturas propuestas utilizando UPC-LPWAN-1, proporcionando una evaluación estandarizada. Para mejorar aún más la precisión, proponemos cuatro nuevas arquitecturas de redes neuronales convolucionales (CNN) adaptadas a cuatro formas de representación de la señal. Nuestros resultados demuestran que, aunque algunos modelos existentes funcionan bien en condiciones de alta SNR, su rendimiento se degrada significativamente en entornos de baja SNR. La CNN basada en espectrogramas propuesta supera de manera consistente a otros modelos, logrando una precisión de clasificación del 99,71% a SNR = 0 dB, superior al 90% a SNR = −10 dB y superior al 70% a SNR = −15 dB, manteniendo además la capacidad de diferenciar entre sistemas.