[논문 리뷰] Spectrum Sensing Based on Deep Learning Classification for Cognitive Radios

Shilian Zheng, Shichuan Chen외 3명|arXiv (Cornell University)|2019. 09. 13.

Cognitive Radio Networks and Spectrum Sensing참고 문헌 29인용 수 15

한 줄 요약

이 논문은 인공지능 기반 스펙트럼 센싱 기법을 제안하며, 스펙트럼 센싱을 분류 문제로 간주한다. 수신 신호 전력의 정규화와 다양한 신호 유형(소음 포함)에 대한 훈련, 그리고 전이 학습을 통해 기존 고유값 기반 및 엔트로피 기반 방법에 비해 우수한 검출 성능을 달성한다. 특히 색소음 조건과 미훈련된 신호 유형에 대해서도 뛰어난 성능을 보인다.

ABSTRACT

Spectrum sensing is a key technology for cognitive radios. We present spectrum sensing as a classification problem and propose a sensing method based on deep learning classification. We normalize the received signal power to overcome the effects of noise power uncertainty. We train the model with as many types of signals as possible as well as noise data to enable the trained network model to adapt to untrained new signals. We also use transfer learning strategies to improve the performance for real-world signals. Extensive experiments are conducted to evaluate the performance of this method. The simulation results show that the proposed method performs better than two traditional spectrum sensing methods, i.e., maximum-minimum eigenvalue ratio-based method and frequency domain entropy-based method. In addition, the experimental results of the new untrained signal types show that our method can adapt to the detection of these new signals. Furthermore, the real-world signal detection experiment results show that the detection performance can be further improved by transfer learning. Finally, experiments under colored noise show that our proposed method has superior detection performance under colored noise, while the traditional methods have a significant performance degradation, which further validate the superiority of our method.

연구 동기 및 목표

• 동적인 및 불확실한 라디오 환경에서 인지 라디오의 스펙트럼 센싱 과제를 해결한다.
• 소음 전력 불확실성에 민감하고 새로운 신호 유형에 적응성이 떨어지는 기존 스펙트럼 센싱 방법의 한계를 극복한다.
• 포괄적인 훈련과 전이 학습을 통해 미훈련된 신호 유형으로도 잘 일반화되는 딥러닝 프레임워크를 개발한다.
• 기존 방법이 심각하게 떨어지는 색소음 환경에서 실용적 시나리오에 대한 검출 강건성을 향상시킨다.

제안 방법

• 딥 네ural 네트워크를 사용하여 스펙트럼 센싱을 지도 학습 기반의 분류 과제로 공식화한다.
• 훈련 및 추론 중 소음 전력 불확실성의 영향을 줄이기 위해 수신 신호 전력을 정규화한다.
• 다양한 신호 유형과 소음을 포함한 다각도의 데이터셋으로 딥러닝 모델을 훈련하여 미훈련된 신호에 대한 일반화 능력을 향상시킨다.
• 실세계 신호 데이터에 대해 사전 훈련된 모델을 미세조정하기 위해 전이 학습 기법을 적용하여 실용적 구현에서의 성능을 향상시킨다.
• 신호 존재 여부를 다중 클래스 분류하기 위해 ReLU 활성화 함수와 소프트맥스 출력을 사용하는 완전 연결 신경망 아키텍처를 사용한다.
• 데이터 증강과 정규화를 활용하여 훈련 중 모델의 안정성과 수렴성을 향상시킨다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 접근 방식이 고유값 비율 및 엔트로피 기반 센싱과 같은 기존 스펙트럼 센싱 방법을 능가할 수 있는가?
• RQ2 딥러닝 모델이 훈련 데이터에 포함되지 않은 새로운 신호 유형으로 얼마나 잘 일반화되는가?
• RQ3 실세계 신호 데이터셋에 적용했을 때 전이 학습이 검출 성능에 어떻게 기여하는가?
• RQ4 색소음 조건에서 제안된 방법은 기존 방법에 비해 어떻게 성능을 내는가?
• RQ5 신호 전력 정규화가 스펙트럼 센싱에서 소음 전력 불확실성의 영향을 효과적으로 줄일 수 있는가?

주요 결과

• 모의 실험에서 제안된 딥러닝 방법은 최대-최소 고유값 비율 및 주파수 도메인 엔트로피 기반 방법보다 높은 검출 정확도를 달성한다.
• 모델는 재훈련 없이도 이전에 본 적 없는 신호 유형을 성공적으로 탐지할 수 있을 정도로 강력한 일반화 능력을 보였다.
• 실세계 신호 데이터에 대해 전이 학습을 적용함으로써 검출 성능이 크게 향상되었으며, 이는 실용적 구현에서의 가치를 확인한다.
• 색소음 조건에서는 제안된 방법이 높은 검출 성능를 유지하는 반면, 기존 방법은 심각한 성능 저하를 겪는다.
• 신호 전력 정규화를 통해 소음 전력 불확실성의 영향을 효과적으로 완화하여 모델의 강건성을 향상시켰다.
• 합성 및 실세계 신호 환경을 포함한 다양한 실험 시나리오에서 일관되게 열등한 성능를 보였다.