[논문 리뷰] A Radio Signal Modulation Recognition Algorithm Based on Residual Networks and Attention Mechanisms

Ruisen Luo, Tao Hu외 4명|arXiv (Cornell University)|2019. 09. 27.

Wireless Signal Modulation Classification참고 문헌 10인용 수 4

한 줄 요약

이 논문은 잔차 신경망(ResNet)과 자기주의 기반 메커니즘을 통합하여 정확도와 학습 안정성을 향상시키는 딥러닝 기반의 라디오 신호 변조 인식 알고리즘을 제안한다. 가우시안 화이트 노이즈 하에서 16QAM, 2FSK, 4FSK 신호의 IQ 데이터 프레임을 활용하여 모델은 평균 93% 이상의 인식 정확도를 달성하며, 실시간 응용 분야에서 높은 강건성과 실용적 가치를 입증한다.

ABSTRACT

To solve the problem of inaccurate recognition of types of communication signal modulation, a RNN neural network recognition algorithm combining residual block network with attention mechanism is proposed. In this method, 10 kinds of communication signals with Gaussian white noise are generated from standard data sets, such as MASK, MPSK, MFSK, OFDM, 16QAM, AM and FM. Based on the original RNN neural network, residual block network is added to solve the problem of gradient disappearance caused by deep network layers. Attention mechanism is added to the network to accelerate the gradient descent. In the experiment, 16QAM, 2FSK and 4FSK are used as actual samples, IQ data frames of signals are used as input, and the RNN neural network combined with residual block network and attention mechanism is trained. The final recognition results show that the average recognition rate of real-time signals is over 93%. The network has high robustness and good use value.

연구 동기 및 목표

• 복잡한 라디오 신호 환경에서 변조 유형 인식의 정확도 향상을 위한 도전 과제를 해결하기 위해.
• 매우 깊은 아키텍처에서 기울기 소실 문제를 완화함으로써 딥 네트워크 성능을 향상시키기 위해.
• 주목력 기반 메커니즘의 통합을 통해 특징 학습과 학습 수렴 속도를 향상시키기 위해.
• 실제 무선 통신 응용 분야에 적합한 강건하고 실시간 동작이 가능한 변조 인식 시스템을 개발하기 위해.

제안 방법

• 제안된 방법은 깊은 네트워크에서의 학습 안정성을 높이고 기울기 소실 문제를 완화하기 위해 잔차 신경망(ResNet) 아키텍처를 활용한다.
• 주목력 기반 메커니즘이 도입되어 IQ 데이터 내 중요한 신호 특징을 동적으로 강조함으로써 기울기 하강 속도를 가속화하고 특징 표현을 향상시킨다.
• 가우시안 복합 백색 잡음(AWGN) 조건 하에서 10종의 표준 변조 유형—MASK, MPSK, MFSK, OFDM, 16QAM, AM, FM—에 대해 학습이 수행된다.
• 실제 신호의 IQ 데이터 프레임(16QAM, 2FSK, 4FSK)이 엔드 투 엔드 학습을 위해 입력으로 사용된다.
• 시계열적이고 스펙트럼적인 신호 특징을 모델링하기 위해 순환 신경망(RNN) 구성 요소와 잔차 블록, 주목력 모듈을 결합한다.
• 백프로파게이션과 적응형 학습률을 통해 아키텍처가 최적화되어 노이즈 조건 하에서도 효과적인 특징 학습이 가능해진다.

실험 결과

연구 질문

• RQ1 잔차 신경망과 주목력 기반 메커니즘의 통합은 노이즈가 있는 라디오 신호 환경에서 변조 인식 정확도를 향상시킬 수 있는가?
• RQ2 주목력 기반 메커니즘의 통합은 변조 인식 분야에서 깊은 신경망의 수렴 속도와 안정성에 어떤 영향을 미치는가?
• RQ3 제안된 모델은 가우시안 화이트 노이즈 조건 하에서 다양한 변조 유형으로 일반화되는 정도는 어느 정도인가?
• RQ4 잔차 블록과 주목력 기반 메커니즘의 조합은 실시간 신호 인식에서 표준 RNN 또는 CNN 기반 접근 방식보다 우수한 성능을 보일 수 있는가?

주요 결과

• 실시간 신호에서 제안된 모델은 평균 93% 이상의 인식 정확도를 달성하여 노이즈 조건 하에서도 높은 성능을 입증한다.
• 잔차 블록의 통합은 깊은 네트워크 아키텍처에서 기울기 소실 문제를 효과적으로 완화하여 안정적인 학습을 가능하게 한다.
• 주목력 기반 메커니즘이 기울기 하강 속도를 크게 가속화하고, 분류에 유의미한 신호 성분에 집중함으로써 특징 학습 능력을 향상시킨다.
• 모델는 가우시안 화이트 노이즈 하에서 16QAM, 2FSK, 4FSK를 포함한 다양한 변조 유형에 대해 강건한 성능을 보이며, 높은 강건성을 확보한다.
• 높은 정확도와 실시간 분류 능력 덕분에 실용적인 응용 가능성이 높으며, 동적인 라디오 환경에 배치하기에 적합하다.