[논문 리뷰] Data Augmentation for Deep Learning-based Radio Modulation Classification

Liang Huang, Weijian Pan외 4명|arXiv (Cornell University)|2019. 12. 06.

Wireless Signal Modulation Classification참고 문헌 37인용 수 13

한 줄 요약

이 논문은 제한된 훈련 데이터에서 정확도를 향상시키기 위해 딥러닝 기반 라디오 모드 분류에 대해 회전, 뒤집기, 가우시안 노이즈 데이터 증강 기법을 제안한다. LSTM 기반 분류기로 평가한 결과, 회전 및 뒤집기 증강 기법이 노이즈 기반 방법보다 유의미하게 뛰어나며, 회전과 뒤집기 증강을 병행할 경우 원본 데이터셋의 75% 크기로도 전체로 증강하지 않은 데이터셋보다 높은 정확도를 달성한다.

ABSTRACT

Deep learning has recently been applied to automatically classify the modulation categories of received radio signals without manual experience. However, training deep learning models requires massive volume of data. An insufficient training data will cause serious overfitting problem and degrade the classification accuracy. To cope with small dataset, data augmentation has been widely used in image processing to expand the dataset and improve the robustness of deep learning models. However, in wireless communication areas, the effect of different data augmentation methods on radio modulation classification has not been studied yet. In this paper, we evaluate different data augmentation methods via a state-of-the-art deep learning-based modulation classifier. Based on the characteristics of modulated signals, three augmentation methods are considered, i.e., rotation, flip, and Gaussian noise, which can be applied in both training phase and inference phase of the deep learning algorithm. Numerical results show that all three augmentation methods can improve the classification accuracy. Among which, the rotation augmentation method outperforms the flip method, both of which achieve higher classification accuracy than the Gaussian noise method. Given only 12.5% of training dataset, a joint rotation and flip augmentation policy can achieve even higher classification accuracy than the baseline with initial 100% training dataset without augmentation. Furthermore, with data augmentation, radio modulation categories can be successfully classified using shorter radio samples, leading to a simplified deep learning model and shorter the classification response time.

연구 동기 및 목표

• 딥러닝 기반 모드 분류에서 라벨이 부여된 라디오 신호 데이터가 제한된 문제를 해결한다.
• 라디오 신호 분류에 특화된 데이터 증강 기법—회전, 뒤집기, 가우시안 노이즈—의 효과성을 평가한다.
• 데이터 증강이 분류 정확도를 유지하거나 향상시키면서도 필요한 훈련 데이터 크기를 줄일 수 있는지 확인한다.
• 효과적인 데이터 증강과 함께 짧은 신호 샘플을 사용해도 분류가 가능한지 조사한다.
• 모델의 강인성과 저신호 대역비(SNR) 및 데이터 부족 상황에서의 추론 속도를 향상시키기 위해 증강 전략을 최적화한다.

제안 방법

• 라벨 일致성을 유지하면서 정현파 이동 키싱 모드(QPSK) 및 기타 변조 신호 성분에 대해 회전 및 뒤집기 증강을 적용한다.
• 실제 채널 이상을 시뮬레이션하고 모델 강인성을 향상시키기 위해 가우시안 노이즈 증강을 도입한다.
• 일반화 성능을 향상시키기 위해 훈련 시점과 추론 시점 모두에서 증강을 구현한(train-test-time augmentation) 방법을 적용한다.
• 평가를 위한 기준 분류기로 최신 기술의 장기 단기 기억망(LSTM) 네트워크를 사용한다.
• 신호 대 잡음비(SNR)와 데이터셋 크기(12.5% 및 64점 신호 샘플 포함)를 다양하게 변화시켜 성능을 평가한다.
• 데이터셋 확장을 최대화하고 분류 정확도를 높이기 위해 회전과 뒤집기 증강을 병행하는 통합 증강 정책을 설계한다.

실험 결과

연구 질문

• RQ1 회전, 뒤집기, 가우시안 노이즈 기반 데이터 증강 기법이 딥러닝 기반 라디오 모드 분류기의 분류 정확도에 어떤 영향을 미치는가?
• RQ2 제한된 훈련 데이터 하에서, 회전, 뒤집기, 가우시안 노이즈 중 어느 증강 기법이 가장 높은 분류 정확도를 달성하는가?
• RQ3 회전과 뒤집기 증강을 병행 사용할 경우 개별 방법보다 우수한 성능을 내며, 전체로 증강하지 않은 데이터셋과 비교해도 성능이 유사하거나 뛰어난가?
• RQ4 데이터 증강을 통해 분류에 필요한 신호 길이를 얼마나 줄일 수 있으며, 이는 모델 복잡도와 추론 시간에 어떤 영향을 미치는가?
• RQ5 훈련 시점뿐 아니라 추론 시점에도 증강을 적용하는(train-test-time augmentation) 방식이 훈련 전용 증강 대비 모델 강인성과 정확도를 향상시키는가?

주요 결과

• 회전 증강 기법이 세 가지 방법 중에서 가장 높은 분류 정확도를 달성하며, 그 다음으로 뒤집기 증강이, 가우시안 노이즈 증강이 가장 낮은 성능을 보였다.
• 원본 훈련 데이터셋의 12.5%만을 사용할 경우, 병행된 회전 및 뒤집기 증강 정책에 의해 데이터셋이 원본 크기의 75%로 확장되며, 이는 전체로 증강하지 않은 데이터셋을 사용한 기준 모델보다 높은 분류 정확도를 달성한다.
• 병행된 회전 및 뒤집기 증강 하에서 QAM16과 QAM64 간의 혼동이 유의미하게 감소하였으며, 개별 방법보다 뛰어난 성능을 보였다.
• 병행된 회전 및 뒤집기 정책에 가우시안 노이즈를 추가하면 분류 정확도가 약간 감소하여, 이 작업에 있어서 노이즈 증강이 덜 효과적임을 시사한다.
• 128점 대신 64점의 신호 샘플을 사용할 경우 모델 파라미터 수가 201.1K에서 54.1K로 감소하고, 추론 FLOPs는 2.8K에서 1.4K로 감소하여 더 빠른 추론이 가능해졌다.
• 병행된 회전 및 뒤집기 증강을 적용한 경우, 고SNR 조건에서 64점 신호가 128점 기준 모델보다 1% 높은 분류 정확도를 기록하여 뛰어난 데이터 효율성을 입증하였다.