[논문 리뷰] Classification of Radio Signals and HF Transmission Modes with Deep Learning

Stefan Scholl|arXiv (Cornell University)|2019. 06. 11.

Wireless Signal Modulation Classification참고 문헌 11인용 수 12

한 줄 요약

이 논문은 전통적인 변조 인식을 생략하고 원시 IQ 데이터를 직접 사용하여 고주파(HF) 라디오 신호를 전송 모드로 직접 분류하는 딥러닝 접근법을 제안한다. 실제 채널 잡음 조건을 반영한 18종의 HF 모드로 구성된 합성 데이터셋을 기반으로 훈련된 최적의 잔차 신경망은 낮은 신호대임비(SNR) 조건에서도 98%의 정확도를 달성하여 스펙트럼 모니터링 및 인지 라디오 응용 분야에서 엔드 투 엔드 학습의 효과성을 입증한다.

ABSTRACT

This paper investigates deep neural networks for radio signal classification. Instead of performing modulation recognition and combining it with further analysis methods, the classifier operates directly on the IQ data of the signals and outputs the transmission mode. A data set of radio signals of 18 different modes, that commonly occur in the HF radio band, is presented and used as a showcase example. The data set considers HF channel properties and is used to train four different deep neural network architectures. The results of the best networks show an excellent accuracy of up to 98%.

연구 동기 및 목표

• 변조 유형 외에 전송 모드로 직접 분류할 수 있는 데이터 기반의 방법을 개발하기 위해.
• 실제 채널 잡음 조건을 반영한 18종의 일반적인 HF 대역 전송 모드를 포함하는 현실적인 합성 데이터셋을 구축하기 위해.
• 복잡하고 겹치는 HF 신호에 대해 엔드 투 엔드 분류를 위한 다양한 딥 네ural 네트워크 아키텍처를 평가하기 위해.
• 다중경로 및 주파수 오프셋을 포함한 낮은 SNR 및 현실적인 전파 조건에서도 높은 분류 정확도를 달성하기 위해.
• 수작업 특징 추출을 생략하고 IQ 샘플에 직접 훈련된 네트워크를 통해 특징 엔지니어링의 필요성을 제거하기 위해.

제안 방법

• 훈련 데이터는 18종의 HF 전송 모드(아날로그: AM, SSB; 디지털: PSK31, RTTY, Olivia, MT63)를 나타내는 120,000개의 IQ 벡터(6 kHz에서 2048개 샘플)로 구성된다.
• 신호는 텍스트, 음성, 이미지를 기반으로 합성 생성되며, 주파수 선택성 페이딩과 다중경로 효과를 반영한 CCIR 520 HF 채널 모델을 사용해 왜곡된다.
• 데이터셋에는 추가적 백색 가우시안 잡음(SNR 범위: -10 ~ +25 dB), 무작위 주파수 오프셋(±250 Hz), 위상 오프셋이 포함되어 실제 수신기의 비완전성을 시뮬레이션한다.
• 네 가지 딥 네ural 네트워크 아키텍처를 훈련: 전통적 CNN, 전연결 컨볼루션 넷, 깊은 CNN(17층), 잔차 신경망(41층), 모두 배치 정규화, 드롭아웃, ReLU 활성화 함수를 적용한다.
• Adam 최적화를 사용하며 학습률 스케줄러, 배치 크기 128, 30 에포크를 적용해 정확도와 훈련 효율성의 균형을 확보한다.
• 분류 작업은 IQ 데이터에 직접 수행되며, 중간 단계의 특징 추출 없이 원시 신호 입력을 전송 모드 레이블로 매핑한다.

실험 결과

연구 질문

• RQ1 딥 네럴 네트워크는 수작업 특징 추출에 의존하지 않고도 원시 IQ 데이터에서 HF 라디오 신호를 고정확도로 분류할 수 있는가?
• RQ2 다양한 딥러닝 아키텍처는 현실적인 채널 조건 하에서 18종의 다양한 HF 전송 모드를 어떻게 분류하는가?
• RQ3 신호 품질 저하(예: 낮은 SNR, 주파수 오프셋)는 실제 HF 환경에서 분류 성능에 얼마나 큰 영향을 미치는가?
• RQ4 매우 유사한 모드(예: RTTY45와 RTTY50, 또는 USB와 LSB SSB)를 구분하는 데 엔드 투 엔드 학습이 얼마나 효과적인가?
• RQ5 단일 딥러닝 모델이 HF 대역에서 흔히 발생하는 광범위한 SNR 값과 채널 왜곡에 일반화할 수 있는가?

주요 결과

• 잔차 신경망은 검증 세트에서 최고의 정확도 94.1%를 기록했으며, SNR > 5 dB 조건에서는 최고로 98%의 정확도를 달성했다.
• 낮은 SNR(-5 dB) 조건에서도 최고의 모델들이 90% 이상의 정확도를 유지하여 소음과 간섭에 대한 강건성을 입증했다.
• 매우 유사한 모드 간 혼동은 최소한으로 발생: RTTY45와 RTTY50는 거의 오분류되지 않았으며, QPSK/BPSK 모드 간 혼동도 미미했다.
• 깊은 CNN(17층)은 훈련 시간이 1.9시간으로 잔차 신경망(5.3시간)보다 훨씬 적게 소요되었고, 93.7%의 정확도를 달성했다.
• 전연결 컨볼루션 넷은 단지 0.7시간의 훈련 시간에 90.3%의 정확도를 기록하여 성능 대비 속도의 우수한 트레이드오프를 보였다.
• 잔차 신경망의 혼동 행렬은 스펙트럼적으로 유사한 모드인 USB와 LSB SSB 간의 구분에 매우 높은 신뢰성을 확인했다.