[논문 리뷰] Open Set Modulation Recognition Based on Dual-Channel LSTM Model

Youwei Guo, Hongyu Jiang외 2명|arXiv (Cornell University)|2020. 02. 27.

Wireless Signal Modulation Classification참고 문헌 12인용 수 14

한 줄 요약

이 논문은 중심 손실과 Weibull 분포 피팅을 사용한 이중채널장단기기억( Dual-Channel Long Short-Term Memory, DC-LSTM) 네트워크를 이용한 새로운 오픈 세트 변조 인식 방법을 제안한다. I/Q 및 진폭/위상 성분을 두 개의 정규화된 행렬으로 변환함으로써, 모델은 구분 가능한 시퀀스 연관 특징을 학습하고, 11종류의 변조 유형(0–18 dB SNR 범위)에서 평균 90.2%의 정확도를 달성하며, 기준 모델 대비 오픈 세트 인식 성능이 14.2% 향상된다.

ABSTRACT

Deep neural networks have achieved great success in computer vision, speech recognition and many other areas. The potential of recurrent neural networks especially the Long Short-Term Memory (LSTM) for open set communication signal modulation recognition is investigated in this letter. Time-domain sampled signals are first converted to two normalized matrices which will be fed into a four layer Dual-Channel LSTM network tailored for open set modulation recognition. With two cascaded Dual-Channel LSTM layers, the designed network can automatically learn sequence-correlated features from the raw data. With center loss and weibull distribution, proposed algorithm can recognize partial open set modulations. Experiments on the public RadioML dataset indicates that different analog and digital modulations can be effectively classified by the proposed model, while partial open set modulations can be recognized. Quantitative analysis on the dataset shows that the proposed method can achieve an average accuracy of 90.2% at varying SNR ranging from 0dB to 18dB in classifying the considered 11 classes, while accuracy of open set experiment dramatically improved by 14.2%.

연구 동기 및 목표

• 추론 중에 알려지지 않은 변조 유형이 나타날 수 있는 오픈 세트 변조 인식 문제를 해결하기 위해.
• 이전에 볼 수 없었던 변조 유형을 탐지할 수 있도록 자동 변조 인식의 일반화 성능을 향상시키기 위해.
• 딥 러닝과 Weibull 분포를 이용한 통계적 이상치 탐지 기법을 융합하여 강력한 오픈 세트 분류 성능를 확보하기 위해.
• 개선된 인식 성능를 위해 분리 가능하고 구분 가능한 특징 학습 프레임워크를 개발하기 위해.

제안 방법

• 수신된 복소 기저대역 신호는 신호 에너지로 정규화된 두 개의 실수 행렬으로 변환되며, 하나는 in-phase 및 quadrature (I/Q) 성분을, 다른 하나는 진폭 및 위상 (A/P) 성분을 각각 나타낸다.
• 네 층으로 구성된 DC-LSTM 아키텍처가 두 채널의 시퀀스를 처리하며, 두 개의 연결된 이중채널 LSTM 층이 I/Q 및 A/P 성분에서 시간적 상관관계를 별도로 추출한다.
• 최전단에서 두 번째 층에 중심 손실을 적용하여 알려진 클래스 내 특징의 응집도를 높이고, 특징의 구분 능력을 향상시킨다.
• 정상 샘플의 尾부 분포를 모델링하기 위해, 특징과 클래스 중심 간의 거리에 Weibull 분포를 피팅하여 이방성 탐지 기능을 제공한다.
• 최종 분류 층은 Weibull 기반 신뢰도 임계값에 기반한 수정된 출력을 사용하는 소프트맥스를 사용하며, 분포 외부 샘플에 대해 '알 수 없음' 레이블을 할당한다.
• 모델 훈련은 교차 엔트로피 손실과 중심 손실을 함께 사용하며, 훈련 중 특징 중심이 업데이트된다.

실험 결과

연구 질문

• RQ1 일부 변조 유형에 대해서만 훈련된 딥 러닝 모델이 추론 중에 알려지지 않은 변조 유형을 효과적으로 탐지할 수 있는가?
• RQ2 중심 손실과 Weibull 분포를 융합한 방법이 표준 소프트맥스 모델 대비 오픈 세트 인식 성능를 얼마나 향상시키는가?
• RQ3 이중채널 I/Q 및 A/P 표현 방식이 특징 학습 및 분류 정확도에 어떤 영향을 미치는가?
• RQ4 통계적 이상치 탐지 기법을 사용할 경우, 모델이 알려진 유형과 알려지지 않은 유형을 얼마나 잘 구분할 수 있는가?

주요 결과

• 제안된 DC-LSTM 모델은 0 dB에서 18 dB의 SNR 범위에서 11종류의 변조 유형에 대해 평균 90.2%의 분류 정확도를 달성하며, 기존 방법들을 능가한다.
• 표준 소프트맥스 모델 기반 기준 모델 대비 오픈 세트 인식 성능이 14.2% 향상되어, 알려지지 않은 변조의 탐지 성능 향상이 뚜렷하게 입증되었다.
• 특징 시각화 결과, 알려지지 않은 변조 유형이 알려진 클래스와 분리된, 겹치지 않는 중심에 집중되어 있음을 확인하여 신뢰할 수 있는 탐지 기능을 보였다.
• 중심 손실과 Weibull 피팅을 적용한 모델(CL-WF)은 소프트맥스 기반 모델(SL-O) 및 소프트맥스 + Weibull 피팅 모델(SL-WF)보다 오픈 세트 환경에서 유의미하게 뛰어난 성능을 보였다.
• 특징 중요도 분석 결과, I/Q 표현 방식이 A/P 표현 방식보다 성능 향상에 더 큰 기여를 하며, 이는 아블레이션 연구를 통해 입증되었다.
• 단일 채널 또는 이중 방향 변형 대비, 두 층의 연결된 이중채널 아키텍처를 가진 DC-LSTM 아키텍처가 더 높은 성능을 달성했으며, 훈련 시간이 다소 길다는 점을 감안해도 유의미한 성능 향상을 보였다.