[논문 리뷰] Radar Emitter Classification with Attribute-specific Recurrent Neural Networks

Paolo Notaro, Magdalini Paschali외 3명|arXiv (Cornell University)|2019. 11. 18.

Wireless Signal Modulation Classification인용 수 6

한 줄 요약

이 논문은 레이더 발신기 분류를 위한 새로운 순차별 정규화 기법을 갖춘 속성별 순환 신경망을 제안하며, 펄스 스트림 내 시간적 의존성을 효과적으로 모델링하여 기존 딥러닝 방법에 비해 정확도와 강인성을 크게 향상시킨다. 이 방법은 매크로 정확도 64.98%를 달성하여 최신 기준 기준으로 최대 19% 높은 성능을 보이며, 노이즈에 대한 강건성도 뛰어나다.

ABSTRACT

Radar pulse streams exhibit increasingly complex temporal patterns and can no longer rely on a purely value-based analysis of the pulse attributes for the purpose of emitter classification. In this paper, we employ Recurrent Neural Networks (RNNs) to efficiently model and exploit the temporal dependencies present inside pulse streams. With the purpose of enhancing the network prediction capability, we introduce two novel techniques: a per-sequence normalization, able to mine the useful temporal patterns; and attribute-specific RNN processing, capable of processing the extracted information effectively. The new techniques are evaluated with an ablation study and the proposed solution is compared to previous Deep Learning (DL) approaches. Finally, a comparative study on the robustness of the same approaches is conducted and its results are presented.

연구 동기 및 목표

• 복잡한 전자기 환경에서 전통적인 값 기반 펄스 속성 분석의 한계를 해결하기 위해.
• 기존 딥러닝 접근 방식보다 펄스 스트림 내 시간적 의존성을 더 효과적으로 모델링하여 레이더 발신기 분류 성능을 향상시키기 위해.
• 레이더 신호 속성의 노이즈 및 변동성에 대한 모델 강인성을 향상시키기 위해.
• 내부 시퀀스 시간 패턴을 유지하면서 특징 표현을 향상시키는 정규화 기법을 개발하기 위해.
• 발신기 분류 작업에서 통합 RNN 또는 완전 연결 아키텍처에 비해 속성별 RNN의 우수성을 입증하기 위해.

제안 방법

• 이 방법은 레이더 펄스 스트림을 펄스 기술자료 단위(PDW)의 시퀀스로 처리하며, 각 펄스당 M개의 속성을 추출하여 길이 T인 시퀀스 S를 구성한다.
• 두 가지 정규화 기법을 적용한다: 전체 데이터셋에 대한 최소-최대 정규화와 각 시퀀스 내 개별 속성 범위 기반의 순차별 정규화.
• 정규화된 시퀀스는 각 속성별로 별도의 장기 숏텀 메모리(LSTM) 네트워크에 입력되어 속성별 시간적 모델링이 가능해진다.
• 속성별 LSTM의 출력은 연결되어 최종 분류를 위한 완전 연결 층을 통과한다.
• 모델은 확률적 경사 하강법를 사용해 교차 엔트로피 손실을 최소화하도록 훈련되며, 최대 분류 정확도를 최적화한다.
• 제안된 정규화 및 속성별 RNN 아키텍처는 추론 실험과 기존 방법과의 비교를 통해 평가된다.

실험 결과

연구 질문

• RQ1 전체 정규화에 비해 순차별 정규화가 레이더 펄스 스트림 내 시간 패턴 표현에 더 효과적인가?
• RQ2 모든 속성에 대해 공유 RNN를 사용하는 것에 비해 속성별 RNN 처리가 더 높은 분류 성능을 낼 수 있는가?
• RQ3 SVM, MLP, CNN 및 이전 RNN 기반 방법과 같은 기존 딥러닝 접근 방식에 비해 제안된 방법의 정확도와 강인성은 어떻게 비교되는가?
• RQ4 특히 낮은 신호 대 잡음비(SNR) 수준에서 모델은 어떤 정도의 성능 유지를 보이는가?
• RQ5 순차별 정규화와 속성별 LSTM의 조합이 복잡한 실제 레이더 발신기 분류 작업에 더 잘 일반화되는가?

주요 결과

• 제안된 방법은 매크로 평균 테스트 정확도 64.98%를 달성하여 Liu et al. [12]에 비해 19% 높고, Petrov et al. [7]에 비해 2%에서 12% 높은 성능을 보였다.
• 추론 실험을 통해 순차별 정규화와 속성별 LSTM의 조합이 가장 높은 성능을 낸 것으로 확인되었으며, 통합 RNN 대비 2-14% 향상된 성능을 기록했다.
• 제안된 방법은 추가적인 가우시안 노이즈에 대해 뛰어난 강인성을 보였으며, 20 dB SNR에서 Petrov et al. [7]에 비해 6%의 성능 우위를 확보했다.
• ResNet18 [22]는 높은 노이즈 강인성을 보였지만, 정확도에서 제안된 방법에 비해 14% 뒤진 것으로 나타나 시간적 모델링의 이점이 뚜렷했다.
• 혼동 행렬 분석 결과, 유사한 발신기 유형 간 오분류가 최소화되었으며, 예측 결과는 주로 대각선에 집중되어 있었다.
• 순차별 정규화가 이산화나 표준화보다 더 효과적이며, 내부 시퀀스 시간 패턴을 더 잘 격리하고 유지함을 확인했다.