사전훈련된 딥러닝 네트워크를 활용한 이미지 기반 딥러닝 모델 설계 (Design of the Image-Based Deep Learning Model Using a Pre-Training Deep Learning Network)

서지정보

· 발행기관 : 한국통신학회
· 수록지 정보 : 한국통신학회논문지 / 47권 / 4호 / 615 ~ 624페이지
· 저자명 : 김승환, 문창배, 권기협, 김동성

초록

본 논문에서는 인지 통신에 사용되는 자동 변조 분류를 위해 이미지 기반 딥러닝 모델을 설계하였다. 제안된설계 방식은 초기 신호 기반 딥러닝 모델과 이미지 기반 딥러닝 모델 2가지로 구분되며 딥러닝 네트워크 유형은Convolutional Neural Network (CNN)을 사용하였다. 신호 기반 딥러닝 모델 프레임 단위로 학습되도록 하였고각 프레임은 1024 신호 샘플로 구성하였다. 학습전 Root Mean Square (RMS) 방식을 통해 프레임을 정규화하였고 실수부와 허수부로 구분하여  × 크기로 입력하였다. 제안된 신호 기반 딥러닝 모델은 컨볼루션 레이어의필터 크기에 따른 정확도 성능에 대하여 분석한 다음  × 필터 크기 지정을 통해 예측성능을 최적화하였다. 이미지 기반 딥러닝 모델은 사전훈련된 신호 기반 딥러닝 네트워크를 사용하여 추출된 특징 데이터를 이미지로 변환하여 학습된 다음 각각의 변조 유형을 예측하도록 하였다. 추출된 특징은 신호 기반 딥러닝 네트워크의Fully-Connected layer를 통해  × 특징 크기로 추출하였으며 각 특징이 가지는 특징값은 –30 - +30 스케일범위에 따라 Red, Green, Blue (RGB) 이미지로 변환하였다. 제안된 모델의 예측 정확도 성능은 Signal-to-Noise Ratio (SNR) 10 dB에서 기존 ECNN, SCGNet 그리고 LCNN 보다 1.38%, 7.41% 그리고 4.05% 높은 예측 정확도를 보였으며 SNR 0 dB에서는 0.26%, 3.4% 그리고 1.13% 각각 높은 성능을 보였다.

영어초록

In this paper, an image-based deep learning model is designed for Automatic Modulation Classification (AMC) in cognitive radio. The proposed design method consists of a signal-based deep learning model and an image-based deep learning model, and a Convolutional Neural Network (CNN) is used for the deep learning network type. The signal-based deep learning model is trained in units of a frame which is composed of 1024 signal samples. Before being used for training, the frame is normalized through the Root Mean Square (RMS) method, and the frame is dividied into the real part and the imaginary part. The proposed signal-based deep learning model is analyzed according to the filter size of the convolution layer and optimized by specifying  × filter size. The image-based deep learning model is trained through images that is from the extracted feature data using the pretrained signal-based deep learning network, and predicted each modulation type. The feature size is  ×, which is extracted through the Fully-Connected layer of the signal-based deep learning network, and the features are converted into Red, Green, and Blue (RGB) images according to the -30 - +30 scale range. The prediction performance of the proposed model shows 2.13%, 4.05% and 9.47% higher accuracy at Signal-to-Noise Ratio (SNR) 10 dB, and 2.12%, 3.4% and 4.26% higher accuracy at SNR 0 dB than the conventional models ECNN, SCGNet and MCNet, respectively.

참고자료

· 없음