[논문 리뷰] SigNet: An Advanced Deep Learning Framework for Radio Signal Classification

Zhuangzhi Chen, Hui Cui외 7명|arXiv (Cornell University)|2020. 10. 28.

Wireless Signal Modulation Classification참고 문헌 39인용 수 7

한 줄 요약

SigNet은 라디오 신호를 신호-행렬(S2M) 연산자를 통해 정사각형 행렬로 변환하고, 공동으로 훈련된 CNN을 사용하여 분류하는 새로운 딥러닝 프레임워크이다. 이는 최신 기술 수준의 성능을 달성한다. SigNet2.0은 1차원 합성곱을 통합하여 훈련 속도를 향상시키며, LSTM에 비해 훈련 시간을 최대 88% 감소시키고, 1D-ResNet에 비해 정확도를 최대 70.5% 향상시킨다. 또한 1%의 훈련 데이터에서도 강력한 소수 학습 능력을 유지한다.

ABSTRACT

Deep learning methods achieve great success in many areas due to their powerful feature extraction capabilities and end-to-end training mechanism, and recently they are also introduced for radio signal modulation classification. In this paper, we propose a novel deep learning framework called SigNet, where a signal-to-matrix (S2M) operator is adopted to convert the original signal into a square matrix first and is co-trained with a follow-up CNN architecture for classification. This model is further accelerated by integrating 1D convolution operators, leading to the upgraded model SigNet2.0. The experiments on two signal datasets show that both SigNet and SigNet2.0 outperform a number of well-known baselines, achieving the state-of-the-art performance. Notably, they obtain significantly higher accuracy than 1D-ResNet and 2D-CNN (at most increasing 70.5\%), while much faster than LSTM (at most saving 88.0\% training time). More interestingly, our proposed models behave extremely well in few-shot learning when a small training data set is provided. They can achieve a relatively high accuracy even when 1\% training data are kept, while other baseline models may lose their effectiveness much more quickly as the datasets get smaller. Such result suggests that SigNet/SigNet2.0 could be extremely useful in the situations where labeled signal data are difficult to obtain.

연구 동기 및 목표

• 라디오 신호 변조 분류에서 낮은 레이블 데이터의 부족 문제를 해결하기 위해 강력한 딥러닝 프레임워크를 개발하는 것.
• 1D-ResNet, 2D-CNN, LSTM과 같은 기존 딥러닝 모델에 비해 분류 정확도와 훈련 효율성을 향상시키는 것.
• 소량의 레이블 데이터만 이용 가능한 경우에도 효과적인 소수 학습을 가능하게 하는 것.
• 라디오 신호에 대한 특징 추출을 향상시키는 신호 표현 방법을 설계하는 것.

제안 방법

• SigNet 프레임워크는 원시 라디오 신호를 정사각형 행렬로 변환하는 데 사용되는 신호-행렬(S2M) 연산자를 사용하여, 더 나은 공간적 특징 학습을 가능하게 한다.
• S2M 연산자와 함께 종합적으로 훈련되는 컨볼루션 신경망(CNN)이 신호 분류를 최적화하기 위해 사용된다.
• SigNet2.0은 훈련 속도를 향상시키기 위해 1차원 합성곱 레이어를 통합하여 성능을 유지한다.
• S2M 변환은 신호의 시간적 및 주파수적 특성을 유지하여 분류 가능한 표현 학습을 향상시킨다.
• 엔드 투 엔드 훈련을 통해 S2M 변환과 CNN 분류기 간의 공동 최적화가 가능하다.
• 다양한 조건에서 성능을 검증하기 위해 두 개의 실세계 라디오 신호 데이터셋을 사용하여 프레임워크를 평가한다.

실험 결과

연구 질문

• RQ1 표준 1D 또는 2D CNN에 비해 신호-행렬 변환을 통해 딥러닝 기반의 라디오 신호 변조 분류 정확도를 향상시킬 수 있는가?
• RQ2 1D-ResNet 및 LSTM 모델에 비해 SigNet의 훈련 속도와 추론 정확도는 어떻게 되는가?
• RQ3 소량의 레이블 데이터(예: 1%)만 존재할 경우 SigNet이 얼마나 높은 분류 정확도를 유지할 수 있는가?
• RQ4 SigNet2.0에 1차원 합성곱을 통합함으로써 훈련 시간을 크게 줄일 수 있는가, 성능 저하 없이?

주요 결과

• SigNet은 테스트된 데이터셋에서 1D-ResNet에 비해 최대 70.5% 높은 정확도를 달성하여 뛰어난 분류 성능을 입증한다.
• SigNet2.0은 LSTM에 비해 훈련 시간을 최대 88.0% 감소시켜 훈련 효율성을 크게 향상시킨다.
• 훈련 데이터의 1%만 존재할 경우에도 SigNet은 상대적으로 높은 정확도를 유지하며, 저데이터 환경에서 급격히 성능이 떨어지는 기준 모델들을 능가한다.
• S2M 변환은 효과적인 특징 추출을 가능하게 하여 모델의 강건성과 일반화 능력 향상에 기여한다.
• SigNet2.0는 더 빠른 수렴을 달성하면서도 높은 정확도를 유지하여, 1차원 합성곱을 통합하는 것이 효과적임을 입증한다.
• 모델는 강력한 소수 학습 능력을 보이며, 레이블 데이터가 제한된 실세계 환경에 적합하다.