확장된 프레임을 적용한 딥러닝 기반 자동 변조 분류 설계 (Design of Automatic Modulation Classification Based on Deep Learning Technique Applying Extended Frame)

서지정보

· 발행기관 : 한국통신학회
· 수록지 정보 : 한국통신학회논문지 / 46권 / 8호 / 1227 ~ 1236페이지
· 저자명 : 김승환, 문창배, 김재우, 김동성

초록

본 논문에서는 인지 통신망에 적용되는 핵심 기술인 자동 변조 분류를 위해 새로운 방식의 딥러닝 기반 자동변조 분류 기법을 제안하였다. 제안된 모델은 Convolutional Neural Network (CNN) 방식을 통해 설계되었으며기울기값이 사라지는 문제를 완하하여 정확도를 높이기 위해 ResNet의 스킵커넥션 구조를 적용하였고 또 네트워크의 계산 복잡도를 줄이기 위해 비대칭 컨볼루션 필터 구조를 적용하였다. 일반적으로 CNN 기반 자동 변조 분류는 복소 신호를 실수성분와 허수성분으로 분리하여  × 크기의 입력값이 사용되지만, 본 논문에서는 송신기로부터 받은 복소 신호를( × )을  ×로 확장하여 적용하였다. 프레임의 확장 방식은 기존의 수신된 프레임을복사하여 수평적으로 순서를 역으로 바꾸어서 기존의 프레임에 연결하는 방법이다. 제안된 방법을 통한 CNN 모델의 성능 평가를 위하여 24개의 변조 방식을 가지는 DeepSig:RadioML 2018.01A 데이터셋을 사용하였으며 자동변조 분류를 위한 최신 딥러닝 모델인 ResNet, MCNet 그리고 LCNN과 비교하여 검출확률의 성능 및 계산 복잡도을 비교분석하였다. 시뮬레이션 결과를 통해 제안된 모델이 기존의 모델보다 전 구간 SNR (Signal-to-Noise Ratio) 영역에서 검출확률 성능이 우수한 것을 확인하였으며, 특히 SNR 10 dB에서 최소 2.5% 이상 높은 검출확률을 보였다.

영어초록

In this paper, a new deep learning-based automatic modulation classification technique is proposed for automatic modulation classification that is applied to cognitive radio networks. The proposed model is designed by Convolutional Neural Network (CNN) technique, which contains skip connection structure of ResNet to minimize the vanishing gradient problem and convolutional layers with asymmetric kernels to reduce computation complexity. In general, complex signals are divided into  × to utilize as input size of the CNN. However, in this paper, by extending the kept frame from a transmitter  × size is adopted for the proposed CNN. For the frame extension method there are three steps. First, the present frame is copied. Second, the order horizontally is reversed. Finally, it is connected to the existing frame. To evaluate the performance of the proposed CNN model the DeepSig:RadioML 2018.01A dataset with 24 modulation schemes was used, and the accuracy performance and the computational complexity are compared to the latest deep learning models ResNet, MCNet and LCNN. Through the simulation results, the proposed model has better prediction accuracy performance in the entire signal-to-noise ratio (SNR) region than the conventional model, where it showed at least 2.5% higher accuracy at SNR 10 dB.

참고자료

· 없음