[논문 리뷰] Hybrid Maximum Likelihood Based Linear Modulation Classification with Multiple Sensors via Generalized EM Algorithm.

Onur Özdemir, Thakshila Wimalajeewa외 3명|arXiv (Cornell University)|2014. 09. 30.

Wireless Signal Modulation Classification인용 수 1

한 줄 요약

이 논문은 다중 센서에서 미지의 시간 오프셋, 위상 오프셋, 신호 감도를 동시에 추정하기 위해 일반화된 기대값 최대화(GEM) 알고리즘을 사용하는 하이브리드 최대우도(HML) 변조 분류 기법을 제안한다. 이 방법은 각 센서당 수백 개의 샘플만으로도 낮은 신호 대 잡음비(SNR) 환경에서 뛰어난 분류 성능를 달성하며, 초기화에 시뮬레이션된 난류를 적용함으로써 단일 센서 기반 접근법보다 훨씬 뛰어난 성능을 발휘한다.

ABSTRACT

In this paper, we consider the problem of automatic modulation classification with multiple sensors in the presence of unknown time offset, phase offset and received signal amplitude. We develop a novel hybrid maximum likelihood (HML) classification scheme based on a generalized expectation maximization (GEM) algorithm. GEM is capable of finding ML estimates numerically that are extremely hard to obtain otherwise. Assuming a good initialization technique is available for GEM, we show that the classification performance can be greatly improved with multiple sensors compared to that with a single sensor, especially when the signal-to-noise ratio (SNR) is low. We further demonstrate the superior performance of our approach when simulated annealing (SA) with uniform as well as nonuniform grids is employed for initialization of GEM in low SNR regions. The proposed GEM based approach employs only a small number of samples (in the order of hundreds) at a given sensor node to perform both time and phase synchronization, signal power estimation, followed by modulation classification. We provide simulation results to show the computational efficiency and effectiveness of the proposed algorithm.

연구 동기 및 목표

• 미지의 시간 오프셋, 위상 오프셋, 신호 감도 조건 하에서 다중 센서 시스템에서의 자동 변조 분류 과제를 해결한다.
• 기존 방법이 실패하는 낮은 신호 대 잡음비(SNR) 환경에서의 분류 정확도를 향상시킨다.
• 각 센서당 최소한의 데이터로도 시간 동기화, 전력 추정, 변조 분류를 동시에 수행할 수 있는 계산 효율성이 높은 알고리즘을 개발한다.
• 낮은 SNR 환경에서 다중 센서 융합이 단일 센서 분류보다 우월한 성능을 보이는 것을 입증한다.

제안 방법

• 시간 오프셋, 위상 오프셋, 수신 신호 감도와 같은 미지 매개변수의 최대우도(ML) 추정치를 수치적으로 계산하기 위해 일반화된 기대값 최대화(GEM) 알고리즘을 활용한다.
• GEM 기반 추정을 하이브리드 최대우도(HML) 분류 프레임워크에 통합하여 동기화와 변조 분류를 동시에 최적화한다.
• GEM 알고리즘의 수렴성과 성능 향상을 위해 균일 및 비균일 격자 기반의 시뮬레이션된 난류를 사용하여 고품질의 초기 매개변수 추정치를 생성한다.
• 각 센서당 소수의 샘플(수백 개 내외)만 처리하여 한 개의 파ip라인에서 시간 및 위상 동기화, 신호 전력 추정, 변조 분류를 동시에 수행한다.
• 다양한 센서 노드에서의 데이터를 활용하여 추정 정확도와 분류 신뢰도를 향상시키며, 특히 낮은 SNR 조건에서 유의미한 성능 향상을 이룬다.

실험 결과

연구 질문

• RQ1 GEM 기반 HML 프레임워크는 미지의 동기화 매개변수를 가진 다중 센서 시스템에서 선형 변조를 효과적으로 분류할 수 있는가?
• RQ2 낮은 SNR 조건에서 다중 센서 융합은 단일 센서 시스템에 비해 변조 분류 성능을 어떻게 향상시키는가?
• RQ3 균일 격자와 비균일 격자 등 다양한 초기화 전략이 GEM 기반 분류 알고리즘 성능에 미치는 영향은 무엇인가?
• RQ4 제안된 방법은 각 센서당 수백 개의 샘플만으로도 얼마나 정확한 분류를 달성할 수 있는가?

주요 결과

• 제안된 GEM 기반 HML 기법은 단일 센서 기반 접근법에 비해 낮은 SNR 환경에서 변조 분류 성능을 크게 향상시킨다.
• 비균일 격자 기반의 시뮬레이션된 난류를 초기화 방법으로 사용할 경우, 균일 격자 대비 더 나은 수렴성과 분류 정확도를 확보한다.
• 각 센서당 수백 개의 샘플만으로도 시간 오프셋, 위상 오프셋, 신호 감도를 효과적으로 동시 추정할 수 있다.
• 다중 센서 배치로 인해 분포된 관측치로부터의 매개변수 추정 정확도 향상으로 인해, 특히 낮은 SNR 조건에서 분류 신뢰도가 향상된다.