[論文レビュー] Classification of Common Waveforms Including a Watchdog for Unknown Signals

C. Tanner Fredieu, Justin M. Bui+4 more|arXiv (Cornell University)|Aug 16, 2021

Wireless Signal Modulation Classification参考文献 11被引用数 4

ひとこと要約

本論文は、共通のレーダーおよび通信波形（SC、SC-FDMA、OFDM、LFM）を分類し、共有スペクトルにおける未知信号を検出する2段階のディーブラーニングフレームワークを提案する。分類にはマルチレイヤーパーセプトロンを、未知波形のフラグ付きにはCNNベースのオートエンコーダと二重RMSEしきい値を用い、0 dB SNR以上で分類精度100%、0 dBで異常検出精度95%を達成。最適化されたFFTサイズを用いる。

ABSTRACT

In this paper, we examine the use of a deep multi-layer perceptron model architecture to classify received signal samples as coming from one of four common waveforms, Single Carrier (SC), Single-Carrier Frequency Division Multiple Access (SC-FDMA), Orthogonal Frequency Division Multiplexing (OFDM), and Linear Frequency Modulation (LFM), used in communication and radar networks. Synchronization of the signals is not needed as we assume there is an unknown and uncompensated time and frequency offset. An autoencoder with a deep CNN architecture is also examined to create a new fifth classification category of an unknown waveform type. This is accomplished by calculating a minimum and maximum threshold values from the root mean square error (RMSE) of the radar and communication waveforms. The classifier and autoencoder work together to monitor a spectrum area to identify the common waveforms inside the area of operation along with detecting unknown waveforms. Results from testing showed the classifier had 100\% classification rate above 0 dB with accuracy of 83.2\% and 94.7\% at -10 dB and -5 dB, respectively, with signal impairments present. Results for the anomaly detector showed 85.3\% accuracy at 0 dB with 100\% at SNR greater than 0 dB with signal impairments present when using a high-value Fast Fourier Transform (FFT) size. Accurate detection rates decline as additional noise is introduced to the signals, with 78.1\% at -5 dB and 56.5\% at -10 dB. However, these low rates seen can be potentially mitigated by using even higher FFT sizes also shown in our results.

研究の動機と目的

• レーダーと通信システム間のスペクトル共有の課題に対処し、リアルタイムでの波形分類と未知信号検出を可能にする。
• 周波数オフセット、位相オフセット、IQアンバランスなどの現実的な信号劣化条件下でも動作する、ロバストで低複雑度の分類モデルを開発する。
• 畳み込みオートエンコーダからの再構成誤差を用いて、未知波形を同定する異常検出システムを設計する。
• FFTサイズの最適化と、再構成ギャップに起因する誤検出を低減するためのマルチスレッショルドRMSE領域を用いることで、検出精度を向上させる。

提案手法

• ベースバンド信号をSC、SC-FDMA、OFDM、LFMの4つのカテゴリに分類するため、ディープなマルチレイヤーパーセプトロン（MLP）を訓練する。
• 信号はFFTを用いて周波数領域に変換され、その後、パwerスペクトル密度（PSD）への入力として、大きさが取り出される。
• 畳み込みオートエンコーダが入力信号を再構成し、入力と出力の間の平均二乗誤差（RMSE）を計算して異常を検出する。
• 既知の信号クラス（レーダーおよび通信）から得られる2つのしきい値（最小および最大RMSE）を用いて「既知」領域を定義し、この範囲外の信号は未知としてフラグを立てる。
• 2領域、3領域、5領域のしきい値設計をテストし、レーダーと通信信号のRMSE分布のギャップを低減させ、検出のロバスト性を向上させる。
• 特に低SNR条件下でのマルチパスフェージングやAWGN環境で性能を安定化させるために、FFTサイズを16384などに大きくする。

実験結果

リサーチクエスチョン

• RQ1 現実的な劣化条件下でも、ディープなフィードフォワードネットワークが、一般的なレーダーおよび通信波形の高精度分類を達成できるか？
• RQ2 RMSEしきい値を用いたCNNベースのオートエンコーダは、共有スペクトル環境下での未知波形検出にどの程度有効か？
• RQ3 異なるFFTサイズは、ノイズおよびフェージング条件下での異常検出の安定性と精度にどのような影響を与えるか？
• RQ4 マルチスレッショルド領域設計により、再構成誤差ギャップに起因する未知信号の誤分類を低減できるか？

主な発見

• 信号劣化下において、分類器は0 dB SNR以上で100%の精度を達成し、-5 dBで94.7%、-10 dBで83.2%の精度を示した。
• 3領域しきい値設計を用いた異常検出器は、0 dB SNRで95%の精度を達成したが、AWGN下では-5 dBで78.1%、-10 dBで56.5%に低下した。
• 16384-FFTサイズを用いることで、特にマルチパスフェージングおよび低SNR条件下での検出の安定性と精度が顕著に向上した。
• 5領域しきい値設計は2領域および3領域設計を上回り、レーダーと通信信号の再構成誤差のギャップを低減させ、0 dBで95%以上の精度を達成した。
• 特に信号長の最小値に近いFFTサイズを用いることで、AWGNに対する耐性が向上し、検出の一貫性が改善された。
• マルチスレッショルド領域設計のおかげで、未知信号の再構成誤差が既知信号のRMSE範囲内に含まれる場合でも、システムは正常に既知波形を分類し、未知信号を検出できた。