인지 무선 통신망의 자동 변조 분류를 위한 딥러닝 모델 설계 (Design of Deep Learning Model for Automatic Modulation Classification in Cognitive Radio Network)

서지정보

· 발행기관 : 한국통신학회
· 수록지 정보 : 한국통신학회논문지 / 45권 / 8호 / 1364 ~ 1372페이지
· 저자명 : 김승환, 김치윤, 유상호, 김동성

초록

본 논문에서는 인지 무선 기술에서 자동 변조 분류를 수행하기 위하여 경량 합성곱 신경망 모델을 제안하였다.
제안된 모델은 vanishing gradient 문제를 최소화하기 위해 ResNet의 skip connection 구조를 적용하였으며, 또 모델을 병목 구조 형태로 설계함으로 일반적인 합성곱 신경망 모델보다 연산량을 낮추도록 하였다. 제안된 모델을통한 특징 추출을 하기 위해 입력 데이터 동기화와 정규화 그리고 고차원으로 데이터 재구성을 하였으며, 성능 평가를 위하여 24개의 변조 방식을 가지는 데이터셋을 사용하여 기존의 심층 학습 네트워크인 ResNet과 VGG 그리고 AMC-CNN의 정확도 성능 및 예측 시간을 비교하였다. Matlab 2019b 모의실험 프로그램을 통해 제안된 모델의 성능이 기존의 모델보다 전체 SNR (Signal-to-Noise Ratio) 영역에서 예측 정확도 성능이 우수한 것을 확인하였으며, 특히 SNR 10 dB에서 최대 31.59% 이상 높은 정확도를 보였다. 입력 신호를 예측하는 시간 또한, 최대47.5% 이상 기존 모델보다 빠르게 예측하는 것을 확인하였다.

영어초록

In this paper, light weight deep learning-based light weight Convolutional Neural Network (CNN) model is proposed for automatic modulation classification in cognitive radio. To minimize the vanishing gradient problem he skip connection structure of ResNet is applied to the proposed model, and to reduce computation complexity the proposed model is designed as bottleneck architectures. To extract the features through the proposed model synchronization, normalization, and aggregation dealt with for the input signals, and for performance evaluation the proposed model is compared with the conventional networks, ResNet and VGG, about the accuracy and inference by using the dataset that has 24 modulation classes. According to the simulation result by Matlab analysis tool, the proposed model has better performance on the predicted accuracy than others, especially over than 10% at SNR 10 dB. The performance of inference time also has smaller time than others.

참고자료

· 없음