이미지화 알고리즘 및 딥러닝을 이용한 자동 변조 분류

Abstract

본 논문은 convolutional neural network (CNN) 모델에 이미지화 알고리즘을 적용한 자동 변조 분류 기법을 제안한다. 또한 다양한 이미지화 알고리즘을 이용하여 시계열 데이터의 이미지화 작업 후 이를 이용한 CNN 모델의 분류 성능을비교 및 분석한다. 실험 결과, 원시 데이터를 Markov Transition Field (MTF)를 사용하여 이미지화한 후 CNN을 이용한분류를 수행했을 시−6 dB 환경에서는 오차율이 34 %에서 30 %로 감소하였으며, 0 dB 환경에서는 오차율이 37 %에서18 %로 감소하였다. 본 논문은 시계열 데이터의 이미지화가 CNN 기반 변조 분류 성능 개선으로 이어지는 것을 보여줌으로써 이미지화 알고리즘 적용의 유효성을 보여준다. This paper presents an automatic modulation classification method that involves the application of various imaging algorithms to a convolutional neural network (CNN). The effect of time-series data imaging on the performance of CNN-based modulation classification is analyzed. Our experiment suggests that converting raw signal data into image data using Markov transition field can reduce the error rate of CNN classification from 34 % to 30 % in case of −6 dB signal to noise ratio (SNR) and from 37 % to 18 % in case of 0 dB SNR. This study shows that time-series imaging is a viable preprocessing method for improving the performance of CNN-based modulation classification.