[논문 리뷰] Mixing Signals: Data Augmentation Approach for Deep Learning Based Modulation Recognition

Xinjie Xu, Zhuangzhi Chen외 6명|arXiv (Cornell University)|2022. 04. 05.

Wireless Signal Modulation Classification인용 수 12

한 줄 요약

이 논문은 딥러닝 기반 자동 변조 인식(AMR)을 위한 새로운 데이터 증강 기법인 Mixing Signals를 제안한다. 이 기법은 동일한 변조 유형의 두 개의 라디오 신호를 혼합하여 모델의 일반화 능력을 향상시킨다. 특히 데이터가 적은 경우와 고신호대잡음비(SNR) 조건에서 분류 정확도가 크게 향상되며, 기준 방법 대비 부분 데이터셋에서 10% 이상의 개선을 달성한다.

ABSTRACT

With the rapid development of deep learning, automatic modulation recognition (AMR), as an important task in cognitive radio, has gradually transformed from traditional feature extraction and classification to automatic classification by deep learning technology. However, deep learning models are data-driven methods, which often require a large amount of data as the training support. Data augmentation, as the strategy of expanding dataset, can improve the generalization of the deep learning models and thus improve the accuracy of the models to a certain extent. In this paper, for AMR of radio signals, we propose a data augmentation strategy based on mixing signals and consider four specific methods (Random Mixing, Maximum-Similarity-Mixing, $θ-$Similarity Mixing and n-times Random Mixing) to achieve data augmentation. Experiments show that our proposed method can improve the classification accuracy of deep learning based AMR models in the full public dataset RML2016.10a. In particular, for the case of a single signal-to-noise ratio signal set, the classification accuracy can be significantly improved, which verifies the effectiveness of the methods.

연구 동기 및 목표

• 딥러닝 기반 자동 변조 인식(AMR)에서 라벨이 부여된 라디오 신호 데이터가 부족한 문제를 해결하기 위해.
• 훈련 데이터가 부족한 경우에도 모델의 일반화 능력과 분류 정확도를 향상시키기 위해.
• 라디오 신호의 특성에 맞는 신호 기반 데이터 증강 전략을 단순하면서도 효과적으로 개발하기 위해.
• 기존의 방법들과 비교하여 혼합 기반 증강 기법의 효과를 평가하기 위해 (예: 회전, 뒤집기, 노이즈 주입 등).

제안 방법

• 동일한 변조 유형의 두 신호를 조합하여 새로운 훈련 샘플을 생성하는 신호 혼합 기반 데이터 증강 프레임워크를 제안한다.
• 네 가지 구체적인 혼합 전략을 도입한다: 랜덤 혼합(RM), 최대 유사도 혼합(MSM), θ-유사도 혼합(θ-SM), n회 랜덤 혼합(nRM).
• 신호의 진폭 가중 초월을 사용하여 하이브리드 신호를 생성함으로써 변조 특성을 유지하면서도 데이터 다양성을 증가시킨다.
• 혼합 비율 파라미터 $ l/L $ 를 사용하여 각 신호의 기여도를 조절하며, 핵심 실험에서는 $ l/L = 0.5 $ 를 사용한다.
• 다양한 딥러닝 모델(예: ResNet)을 대상으로 적용하고, 다양한 SNR 수준과 데이터셋 크기에서 성능을 평가한다.
• 혼합 기법을 기존의 증강 기법(예: 회전, 가우시안 노이즈)과 결합하여 상호작용 효과와 모델의 강건성을 평가한다.

실험 결과

연구 질문

• RQ1 동일한 변조 유형의 라디오 신호를 혼합하는 것이 딥러닝 기반 AMR 모델의 일반화 능력과 정확도를 향상시킬 수 있는가?
• RQ2 데이터가 적은 경우, 제안된 혼합 전략이 기존의 데이터 증강 기법(예: 회전, 노이즈 주입)보다 우수한가?
• RQ3 신호대잡음비(SNR)는 혼합 기반 데이터 증강의 효과성에 어떤 영향을 미치는가?
• RQ4 다양한 혼합 전략(예: RM, MSM, θ-SM, nRM)은 다양한 데이터 스케일에서 모델 성능에 어떤 영향을 미치는가?
• RQ5 혼합 기법을 다른 증강 기법과 조합할 경우 성능이 향상되거나 악화되는가?

주요 결과

• Mixing Signals 기법은 부분 데이터셋에서 분류 정확도를 10% 이상 향상시키며, 특히 단일 SNR 조건에서 뛰어난 성능을 보여 데이터 부족 상황에서도 강력한 성능을 발휘한다.
• 랜덤 혼합(RM)과 n회 랜덤 혼합(nRM)이 가장 높은 성능 향상을 기록하며, 8 dB SNR에서 정확도가 최대 6.14% 향상된다.
• 이 기법은 고SNR 수준(−6 dB 이상)에서 가장 효과적이며, 이는 특징 학습을 향상시키고 노이즈 간섭을 줄이기 때문이다.
• 기존의 증강 기법(예: 가우시안 노이즈 주입)보다 혼합 기반 기법이 성능이 뛰어나며, 합성 샘플에서 노이즈가 과도하게 증가하는 문제가 발생하지 않는다.
• 혼합과 회전을 조합하면 정확도가 향상된다(예: Rotation+nRM 시 91.32%); 그러나 혼합과 노이즈 주입을 조합하면 성능이 저하되며, 이는 혼합된 신호에서 노이즈에 민감함을 시사한다.
• 다양한 증강 전략 간의 상호작용 효과가 최소한이므로, 혼합 기법이 특정 증강 모드에 과도하게 편향되지 않음을 시사한다.