Signal Detection and Classification based on 2D-CNN via Imagification in Wireless Communication

Abstract

우리는 지난 수십 년 동안 커다란 무선 통신 패러다임의 변화를 수차례 경험했습니다. 특히, 이러한 몇 번의 통신 패러다임 변화의 중심에는 사물 인터넷 (IoT)의 대중화와 무선 통신 장치의 폭발적인 증가가 있었습니다. 더욱이 5G와 그 다음 차세대 통신에서는 현재보다 폭넓은 영역에서 물리적 사물 간의 연결을 통한 새로운 서비스의 실현이 예상되기 때문에 IoT 및 V2X 기능을 지원하는 기술에 대한 필요성이 점차 커지고 있습니다. 이에따라 초연결 네 트워크의 구현 및 서비스를 위해 저지연 기반 네트워크가 주목받고 있습니다. 특히, 지능형 운송교통, 스마트 팩토리 및 산업 제어 시스템의 경우에는 실시간 동작을 보장하기 위해 기기 간의 통신에서 매우 짧은 응답 시간을 필요로 합니다. 따라서, 데이터의 압축 및 매우 짧은 시간동안 전송되는 짧은 패킷을 이용한 통신을 통해 PHY 계층의 전송 대기시간을 줄임으로써 저지연 통신을 가능하게 할 수 있습니다. 무선 네트워크 환경에서 이러한 버스트특성은 미션 크리티컬 시스템의 컨트롤 및 어플리케이션과 밀접하게 연결된 다양한 산업 분야에서 더 자주 발생할 것으로 예상됩니다. 차세대 무선 통신시스템은 많은 사용자에게 동시에 원활한 서비스를 제공하기 위해 더 많은 주파수 자원이 필요하며 이를 해결하기 위해 동적 스펙트럼 공유 방식을 사용한 대표적인 솔루션으로 인지무선통신 기술이 도입되었습니다. 우선 사용자 (PU)의 서비스 품질에 대한 영향이나 간섭을 주지 않고 비어있는 스펙트럼의 일부를 보조 사용자 (SU)와 공유함으로써 스펙트럼 자원 활용도를 향상시킬 수 있습니다. 이러한 궁극적인 목표를 효과적으로 수행하기 위해 SU는 신호 감지를 통해 관측 주파수 대역의 PU 존재 여부를 결정해야하며, 이는 스펙트럼 공유를 위한 가장 첫번째 단계로서 수행됩니다. 이 논문의 주요 목적은 CNN과 이미지 인코딩 기술을이용한 버스트 신호를 탐지 체계 및 변조 신호 분류 기법을 제안하는데 있습니다. 제안 된 CNN 기반 탐지 기법은 신호나 송신기에 대한 사전정보없이 버스트 신호를 탐지할 수 있으며, 변조 신호 분류 기법은 낮은 SNR에서도 기존의 딥러닝 방식에 비해 우수한 성능으로 변조 신호를 분류 할 수 있습니다. 이는 다양한 신호대 잡음비 (SNR) 영역의 모의실험을 통해 제안된 기법의 성능을 검증하였으며, 이는 제안한 방식이 다양한 SNR 환경에서 우수한 성능을 달성 함을 보여줍니다. 이러한 결과를 토대로 제안 된 버스트 신호 탐지 방식 및 변조 분류 기법이 향후 차세대 무선 통신 시스템에 적용될 수 있음을 증명하였습니다.|For the past decades, we have experienced the advancement of wireless communications. In particular, an explosive increase in the number of wireless communication devices along with the popularization of the Internet of Things (IoT) exists in the center of change of the wireless network paradigm. Moreover, in the upcoming next-generation era, the emphasis on the ability to support the IoT and vehicle to everything (V2X) functionality becomes pronounced, since those are expected to enable new services based on connecting physical objects together. To approach the beyond New Radio (NR) along with the hyper-connected network, a low latency-based network is one of the crucial techniques. For this reason, the crucial technique, namely, ultra-reliable low-latency communications (uRLLC) has been on the rise to support the new type of services in the next generation. Specifically, the requirement for low latency is severe in some cases of intelligent transportation, smart factory, and industrial control systems because low latency is essential to guarantee real-time operation in the interactive communications of devices. Such a short packet communication where data is compressed and transmitted over a very short time is introduced to reduce the transmission latency in PHY layer to enable low-latency communications. Therefore, this burst characteristic over the transmission is expected to occur more frequently in emerging communication systems used in various industrial areas which are closely connected with mission-critical applications. In addition, the next-generation wireless communication system requires more frequency resources in order to provide smooth service to many users at the same time. Cognitive radio (CR) has been introduced as an encouraging solution to tackle the spectrum scarcity issue using dynamic spectrum sharing in wireless communications. It is able to share a part of the vacant spectrum to secondary users (SUs) without affecting the quality of service of primary users (PUs), which enables improvement in the utilization of spectrum resources. To carry out this goal effectively, the SUs need to determine the presence or absence of PUs via signal detection, which must perform first to initiate the spectrum sharing. The main purpose of this dissertation is to propose a burst signal detection scheme and modulation signal classification scheme using CNN and image encoding techniques. The proposed CNN-based detection technique can detect burst signals without prior information about the signal or transmitter, and CNN-based modulated signal classification technique can classify the modulated signal with superior performance compared to the existing deep learning method even at low SNR. This verified the performance of the proposed method through simulations in various SNR domains, which shows that the proposed method achieves excellent performance in various SNR environments. Based on these results, it was proved that the proposed burst signal detection method and modulation classification method can be applied to next-generation wireless communication systems in the future.