딥 러닝 기반의 자동 변조 분류 방법 연구

Abstract

최근 무선 통신 기술의 발전 및 4차 산업혁명 시대에 진입함에 따라 IoT(Internet of Things) 서비스가 급격하게 증가하면서. 5GHz 및 6GHz 비 면허 대역에서 다양한 무선 통신 기기가 주파수를 효율적으로 사용하기 위한 스펙트럼 인식 기술과 관련된 연구가 진행되어 왔다. 전자전(Electric warfare) 분야에서는 적군의 레이더 및 교신 신호 탐지를 위해 미상의 신호를 탐지하고 식별하는 기술에 대한 수요가 증가하고 있다. 본 논문에서는 블라인드 통신 상황에서 미상의 신호를 식별하기 위한 딥 러닝 기반의 자동 변조 식별을 진행하였다. 딥 러닝 모델은 CNN(Convolutional Neural Network)과 LSTM(Long Short-Term Memory) 기반의 심층 신경망을 통해 변조 분류 모델을 설계하였으며, 입력 데이터로 I/Q(Inphase/Quadrature), FFT(Fast Fourier Transform), Amplitude/Phase의 3가지 형태를 활용하였다. 데이터 전 처리 기법으로는 RMS(Root Mean Square) 정규화와 표준화를 적용하여 각 모델, 입력 형태 , 특징 스케일링에 따른 분류 성능을 분석하였다. 추가적으로 LSTM의 경우 레이어 수, 셀의 출력 크기에 따른 하이퍼 파라미터 별 성능 분석을 진행하였으며, 다대 다(Many-to-Many) 및 다대 단(Many-to-One) 출력 유형에 따른 성능을 확인하고 분석하였다. 변조 신호 데이터는 무선 채널을 고려하여 샘플링 된 11 종류의 아날로그 및 디지털 변조 신호를 사용하였으며, SNR(Signal to Noise Ratio)는 –20dB부터 +18dB까지 다양하게 분포하여 SNR에 따른 변조 분류 성능을 비교하였다.