[논문]순환정상 프로세스의 고차 통계 특성을 이용한 디지털 변조인식

안우현; 나선필; 서보석

doi:10.5909/jbe.2014.19.2.195

순환정상 프로세스의 고차 통계 특성을 이용한 디지털 변조인식
Digitally Modulated Signal Classification based on Higher Order Statistics of Cyclostationary Process 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.19 no.2, 2014년, pp.195 - 204

안우현 (충북대학교 전자공학과) , 나선필 (국방과학연구소) , 서보석 (충북대학교 전자공학과)

초록
AI-Helper

이 논문에서는 순환정상 프로세스의 고차 통계 특성을 바탕으로 2-FSK, 4-FSK, 8-FSK, MSK, BPSK, QPSK, 8-PSK, 16-QAM, 32-QAM, 64-QAM 등 10개의 기저대역 디지털 변조신호를 자동으로 인식하는 방법을 제안하였다. 변조신호의 고유한 성질을 나타내는 특징변수로는 1차 순환 모멘트와 고차 순환 큐뮬런트를 이용하였다. 제안한 변조인식기는 크게 두 단계로 구성되며, 첫 번째 단계에서는 1차 순환 모멘트가 나타내는 첨두치를 이용하여 M-FSK와 비FSK로 변조신호를 분류한다. 두 번째 단계에서는 비FSK를 분류하기 위해 고차 순환 큐뮬런트 값을 이용하는 Gaussian 혼합 모델 기반의 분류기를 적용하였다. 제안한 방법의 성능을 검증하기 위해서 모의실험을 실시하였다. 모의실험 결과 제안한 분류기는 주파수와 위상 옵셋이 존재하는 환경에서도 우수한 분류확률을 나타내었다.

Abstract ▼ AI-Helper

In this paper, we propose an automatic modulation classification method for ten digitally modulated baseband signals, such as 2-FSK, 4-FSK, 8-FSK, MSK, BPSK, QPSK, 8-PSK, 16-QAM, 32-QAM, and 64-QAM based on higher order statistics of cyclostationary process. The first order cyclic moments and higher order cyclic cumulants of the signal are used as features of the modulation signals. The proposed method consists of two stages. At the first stage, we classify modulation signals as M-FSK and non-FSK using peaks of the first order cyclic moment. At the next step, we apply the Gaussian mixture model-based classifier to classify non-FSK. Simulation results are demonstrated to evaluate the proposed scheme. The results show high probability of classification even in the presence of frequency and phase offsets.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

판정 트리 기반 분류기^[13]는 상위 단계에서 잘못된 분류 결과를 하위 단계에서 바꿀 수 없고, 단순한 최소 거리 분류기^[14]는 특징변수의 분포함수를 반영하지 못하는 단점이 있다. 따라서 기존 분류기의 단점을 보완하고자 특징변수의 확률분포를 고려하는 GMM(Gaussian Mixture Model) 기반의 분류기를 제안하였다. 제안한 구조는 크게 두 단계로 구성된다.
특히, 신호의 순환 정상성을 특징변수로 이용한 변조인식 방법은 변조신호의 전처리가 불필요하고 반송파 주파수, 심볼율과 같은 사전 정보를 필요로 하지 않는 장점이 있다. 따라서 이 논문에서는 신호의 순환정상성을 이용하는 변조인식기를 제안하였다.
이 논문에서는 특징변수를 바탕으로 10개 디지털 변조신호의 변조방식을 자동으로 인식하기 위한 방법을 제시하였다. 대상으로 하는 변조방식은 2-FSK, 4-FSK, 8-FSK, MSK, BPSK, QPSK, 8-PSK, 16-QAM, 32-QAM, 64-QAM 으로, 이와 같은 변조신호를 모두 포함하는 방법은 아직 제시되지 않았다.

가설 설정

(3) 추정된 1차 순환 모멘트에서 문턱값 보다 큰 첨두치를 찾는다.
첫 번째 GMM 기반 분류기는 (4, 2) 및 (6, 3) 순환 큐뮬런트를 특징변수로 사용하고, 7개 변조신호인 MSK, BPSK, QPSK, 8-PSK, 16-QAM, 32-QAM, 64-QAM을 분류한다. 이때 QPSK와 8-PSK, 16-QAM과 32-QAM의 (4, 2) 및 (6, 3) 순환 큐뮬런트 값은 서로 뚜렷하게 구별되지 않는다. 따라서 다른 특징변수를 사용하여 각각 한 번 더 분류기를 적용한다.
모든 주파수 옵셋에 대해 평균 분류확률의 변화가 크지 않은 것으로 보아 주파수와 위상의 옵셋에 큰 영향을 받지 않음을 알 수 있다. 그 이유는 (4, 2) 및 (6, 3) 순환 큐뮬런트에서 실수부와 허수부의 차수가 같아서 서로 위상이 상쇄되기 때문이다.
과표본화율 ρ는 16이고, M-PSK, M-QAM 신호의 펄스 성형을 위한 롤오프율 (roll-off factor)은 0.35, 주파수 옵셋은 심볼율 대비 0.1 까지, 위상 옵셋은 [-η, η) 구간에서 균일 분포를 가지는 불규칙 변수라 가정하였다.
모의실험에서 인식하고자 하는 변조방식은 2-FSK, 4-FSK, 8-PSK, MSK, BPSK, QPSK, 8-PSK, 16-QAM, 32-QAM, 64-QAM 등 10개의 기저대역 변조신호를 대상으로 한다. 변조신호의 심볼은 독립적이면서, 동일한 확률분포를 따른다는 것을 가정하였다. 과표본화율 ρ는 16이고, M-PSK, M-QAM 신호의 펄스 성형을 위한 롤오프율 (roll-off factor)은 0.

제안 방법

그 결과로서 변조신호를 AM, BPSK. 2-FSK, CDMA와 M-ASK, MQAM, M-PSK, OFDM 그룹으로 분류한다. 다음 단계에서는 4-ASK, 8-ASK, QPSK, 8-PSK, 16-PSK, 16-QAM, 64-QAM와 같은 고차 변조신호를 분류하기 위해 고차 순환 큐뮬런트(higher order cyclic cumulant)를 특징변수 이용하는 판정 트리 방식의 분류기를 적용하였다.
첫 번째 GMM 기반 분류기는 (4, 2) 및 (6, 3) 순환 큐뮬런트를 특징변수로 사용하고, 7개 변조신호인 MSK, BPSK, QPSK, 8-PSK, 16-QAM, 32-QAM, 64-QAM을 분류한다. 이때 QPSK와 8-PSK, 16-QAM과 32-QAM의 (4, 2) 및 (6, 3) 순환 큐뮬런트 값은 서로 뚜렷하게 구별되지 않는다.
GMM 기반 분류기는 EM 알고리듬을 이용하여 이와 같은 참조 데이터의 확률분포를 추정 한 후, 다수의 다차원 Gauss 분포함수로 참조 데이터를 모델링한다. 그림 7은 몇 가지 변조신호 참조 데이터의 추정된 확률분포를 나타낸다.
M-FSK를 인식하기 위해 정규화된 1차 순환 모멘트의 크기를 특징변수로 하여 1차 순환 모멘트를 구한 후 첨두 검출 알고리듬을 적용한다.
2-FSK, CDMA와 M-ASK, MQAM, M-PSK, OFDM 그룹으로 분류한다. 다음 단계에서는 4-ASK, 8-ASK, QPSK, 8-PSK, 16-PSK, 16-QAM, 64-QAM와 같은 고차 변조신호를 분류하기 위해 고차 순환 큐뮬런트(higher order cyclic cumulant)를 특징변수 이용하는 판정 트리 방식의 분류기를 적용하였다. [14]에서는 4-ASK, 8-ASK, BPSK, QPSK, 8-PSK, 16-PSK, 16-QAM, 64-QAM의 분류를 위해 8차 고차 순환 큐뮬런트를 특징변수로 이용하고, 이론적인 고차 순환 큐뮬런트값과 추정된 값의 유클리드(Euclidean) 거리를 구하였다.
이 논문에서는 특징변수를 바탕으로 10개 디지털 변조신호의 변조방식을 자동으로 인식하기 위한 방법을 제시하였다. 대상으로 하는 변조방식은 2-FSK, 4-FSK, 8-FSK, MSK, BPSK, QPSK, 8-PSK, 16-QAM, 32-QAM, 64-QAM 으로, 이와 같은 변조신호를 모두 포함하는 방법은 아직 제시되지 않았다. 판정 트리 기반 분류기^[13]는 상위 단계에서 잘못된 분류 결과를 하위 단계에서 바꿀 수 없고, 단순한 최소 거리 분류기^[14]는 특징변수의 분포함수를 반영하지 못하는 단점이 있다.
첫 번째 단계에서는 변조신호로부터 1차 순환 모멘트를 추출하고, 추출한 1차 순환 모멘트에서 검출한 첨두의 개수로 변조신호를 M-FSK와 비FSK 로 분류한다. 두 번째 단계에서는 분류된 비FSK에서 고차 순환 큐뮬런트 추출하고, 3개의 GMM 분류기를 적용하여 비FSK를 분류한다.
GMM 기반 분류기의 성능을 결정하는 가장 큰 요인은 해당 변조방식을 잘 나타낼 수 있는 적절한 참조 데이터를 사용하는 것이다. 따라서 이 논문에서는 실제 환경을 고려하여 잡음이 추가된 변조신호로부터 추출한 특징변수를 참조데이터로 이용하였다.
FSK와 비FSK의 분류 및 M-FSK의 변조차수 추정을 위해 특징 변수로 1차 순환 모멘트를 이용하였다. 또 비FSK인 MSK, M-PSK, M-QAM의 분류하기 위해 특징변수로 (4, 2), (6, 3), (8, 0) 고차 순환 큐뮬런트를 이용하는 GMM 기반 분류기를 제안하였다.
첫 번째 단계에서는 수신 신호의 1차 순환 모멘트를 특징변수로 사용하고, 1차 순환 모멘트의 첨두치의 개수를 추정하여 M-FSK와 비FSK를 분류한다. 또 첨두 검출 알고리듬을 적용해서 첨두치 개수를 추청하고, 이로부터 M-FSK의 변조차수를 추정한다.
이 논문에서는 순환 프로세스의 고차 통계 특성을 이용하여 2-FSK, 4-FSK, 8-FSK, MSK, BPSK, QPSK, 8-PSK, 16-QAM, 32-QAM, 64-QAM 등 10가지 디지털 변조신호의 변조방식을 인식하는 방법을 처음으로 제시하였다. FSK와 비FSK의 분류 및 M-FSK의 변조차수 추정을 위해 특징 변수로 1차 순환 모멘트를 이용하였다.
제안한 구조는 크게 두 단계로 구성된다. 첫 번째 단계에서는 변조신호로부터 1차 순환 모멘트를 추출하고, 추출한 1차 순환 모멘트에서 검출한 첨두의 개수로 변조신호를 M-FSK와 비FSK 로 분류한다. 두 번째 단계에서는 분류된 비FSK에서 고차 순환 큐뮬런트 추출하고, 3개의 GMM 분류기를 적용하여 비FSK를 분류한다.
[13]에서는 아날로그와 디지털 변조신호에 대해 두 단계의 변조인식 방법을 제시하였다. 첫 번째 단계에서는 변조신호별로 나타내는 독특한 스펙트럼 상관 밀도(spectrum correlation density)의 패턴을 이용하기 위해 신경망(neural network) 분류기를 적용하였다. 그 결과로서 변조신호를 AM, BPSK.
제안하는 변조 인식기는 그림 4와 같은 구조를 가지며 크게 두 단계로 구성된다. 첫 번째 단계에서는 수신 신호의 1차 순환 모멘트를 특징변수로 사용하고, 1차 순환 모멘트의 첨두치의 개수를 추정하여 M-FSK와 비FSK를 분류한다. 또 첨두 검출 알고리듬을 적용해서 첨두치 개수를 추청하고, 이로부터 M-FSK의 변조차수를 추정한다.

대상 데이터

이 논문에서는 순환 프로세스의 고차 통계 특성을 이용하여 2-FSK, 4-FSK, 8-FSK, MSK, BPSK, QPSK, 8-PSK, 16-QAM, 32-QAM, 64-QAM 등 10가지 디지털 변조신호의 변조방식을 인식하는 방법을 처음으로 제시하였다. FSK와 비FSK의 분류 및 M-FSK의 변조차수 추정을 위해 특징 변수로 1차 순환 모멘트를 이용하였다. 또 비FSK인 MSK, M-PSK, M-QAM의 분류하기 위해 특징변수로 (4, 2), (6, 3), (8, 0) 고차 순환 큐뮬런트를 이용하는 GMM 기반 분류기를 제안하였다.
모의실험에서 인식하고자 하는 변조방식은 2-FSK, 4-FSK, 8-PSK, MSK, BPSK, QPSK, 8-PSK, 16-QAM, 32-QAM, 64-QAM 등 10개의 기저대역 변조신호를 대상으로 한다. 변조신호의 심볼은 독립적이면서, 동일한 확률분포를 따른다는 것을 가정하였다.

데이터처리

1 까지, 위상 옵셋은 [-η, η) 구간에서 균일 분포를 가지는 불규칙 변수라 가정하였다. 전송채널은 AWGN이고, 성능을 확인하기 위해 각 변조방식에 대해 500번 변조인식을 수행하여 평균을 취함으로써 분류확률(probability of correct classification) P_c 를 구하였다.

성능/효과

그림 6(b)와 6(c)는 두 번째와 세 번째 GMM 기반 분류기의 참조 데이터로 사용되는 (8 ,0) 순환 큐뮬런트의 분포를 나타낸다. 가로 축인 신호대잡음비(signal-to-noise ratio : SNR)가 향상 될수록 변조방식에 따라 특징변수가 뚜렷하게 구분됨을 확인할 수 있다.
그림에서 ○가 위 아래 같이 있는 것은 실제로 순환 주파수 α가 다른 값에서 첨두가 있는 것을 의미한다. 데이터의 평균을 이용하는 첨두 검출 알고리듬을 적용함으로써 피크 잡음 등에 의한 잘못 검출할 확률을 줄일 수 있다.
모의실험 결과 제안한 변조 인식기는 SNR이 5dB 이하인 경우 8-PSK와 32-QAM의 분류확률이 대체로 낮지만, SNR 이 10dB 이상인 경우 6000개 정도의 심볼을 사용하면 대부분의 변조방식에서 1에 근접하는 분류성능을 얻을 수 있었다. 또한 심볼수가 증가할수록 분류성능이 향상되었으며, 주파수와 위상의 옵셋에 대해 크게 영향을 받지 않음을 알 수 있었다. 한편 제안한 변조 인식기에서 GMM의 파라미터를 추정하기 위한 계산량은 O(N²)이 된다.
1까지 증가 시키면서 전체 변조방식에 대한 평균 분류확률을 나타내었다. 모든 주파수 옵셋에 대해 평균 분류확률의 변화가 크지 않은 것으로 보아 주파수와 위상의 옵셋에 큰 영향을 받지 않음을 알 수 있다. 그 이유는 (4, 2) 및 (6, 3) 순환 큐뮬런트에서 실수부와 허수부의 차수가 같아서 서로 위상이 상쇄되기 때문이다.
모의실험 결과 제안한 변조 인식기는 SNR이 5dB 이하인 경우 8-PSK와 32-QAM의 분류확률이 대체로 낮지만, SNR 이 10dB 이상인 경우 6000개 정도의 심볼을 사용하면 대부분의 변조방식에서 1에 근접하는 분류성능을 얻을 수 있었다. 또한 심볼수가 증가할수록 분류성능이 향상되었으며, 주파수와 위상의 옵셋에 대해 크게 영향을 받지 않음을 알 수 있었다.
그림 10은 SNR이 15dB이고 심볼수가 6000일 때 주파수와 위상의 옵셋에 따른 변조 인식기의 분류성능을 나타낸다. 주파수 옵셋을 0부터 0.01간격으로 0.1까지 증가 시키면서 전체 변조방식에 대한 평균 분류확률을 나타내었다. 모든 주파수 옵셋에 대해 평균 분류확률의 변화가 크지 않은 것으로 보아 주파수와 위상의 옵셋에 큰 영향을 받지 않음을 알 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	변조인식은 무엇인가?	변조인식이란 신호에 대한 사전 정보 없이 수신신호의 변조방식과 파라미터를 추정하는 기술로, 변조식별(modulation identification), 변조인지(modulation recognition), 또는 자동변조분류(automatic modulation classification)라고도 부른다[1]. 수신기에서 변조인식을 통해 변조방식과 파라미터를 추정한 후 수신신호를 심볼 또는 비트로 변환하는 복조를 수행한다.
	순환정상(cyclostationary) 신호는 무엇인가?	시간에 따라 주기적으로 변하는 통계적 성질을 가진 신호를 순환정상(cyclostationary) 신호라 한다. 수학적으로 어떤 연속신호 y(t)에 n차 비선형변환 g (·)를 취했을 때그 결과 신호 s (t) = g (y(t))가 유한한 진폭의 정현파 성분을 나타내면 신호 y(t)는 n차 순환정상이라 한다[19].
	변조인식 방법 중 특징변수를 이용한 방법에 연구된 특징변수는 무엇이 있는가?	특징변수를 이용한 방법은 그림 1에 나타낸 바와 같이 특징변수를 추출하는 단계와, 추출된 특징변수를 이용하여 파라미터를 추출하고 변조방식을 분류하는 단계로 구성된다[6]. 지금까지 연구된 특징변수로는 포락선, 순시위상, 순시주파수의 분산[7], 근사 엔트로피(approximate entropy)[8], 웨이블릿 변환(wavelet transformation) 후 진폭의 분산[9], 순시위상의 확률밀도함수[10], 확률적 모멘트(moment) 및 큐뮬런트(cumulant)[11], 신호의 순환정상성(cyclostationarity)을 이용한 특징변수[12-16] 등이 있다. 특히, 신호의 순환 정상성을 특징변수로 이용한 변조인식 방법은 변조신호의 전처리가 불필요하고 반송파 주파수, 심볼율과 같은 사전 정보를 필요로 하지 않는 장점이 있다.

참고문헌 (20)

E. E. Azzouz and A. K. Nandi, Automatic Modulation Recognition of Communication Signals, Kluwer, Boston, MA, 1996.
T. Ulversoy, "Software Defined Radio: Challenges and Opportunities", Communications Surveys & Tutorials, IEEE, vol. 12, pp. 531-550, 2010.

상세보기
S. Haykin, "Cognitive radio: brain-empowered wireless communications", in Proc. of the IEEE Journal on Selected Areas in Communications, vol. 23, pp. 201-220, 2005.

상세보기
O. A. Dobre, A. Abdi, Y. Bar-Ness, and W. Su, "A survey of automatic modulation classification techniques: classical approaches and new trends", IET Commun., vol. 1, pp. 137-156, 2007.

상세보기
J.L. Xu, Su Wei, Zhou MengChu, "Likelihood-Ratio Approaches to Automatic Modulation Classification," Systems, Man, and Cybernetics, Part C: Applications and Reviews, IEEE Transactions on, vol. 41, no. 4, pp. 455-469, 7. 2011.

상세보기
A. Hazza, M. Shoaib, S. A. Alshebeili, and A. Fahad, "An overview of feature-based methods for digital modulation classification", in Communications, Signal Processing, and their Applications (ICCSPA), 2013 1st International Conference on, pp. 1-6, 2013.
E. E. Azzouz and A. K. Nandi, "Procedure for automatic recognition of analogue and digital modulations", Communications, IEE Proceedings, vol. 143, pp. 259-266, 1996.
Pawar, S.U.; Doherty, J.F., "Modulation Recognition in Continuous Phase Modulation Using Approximate Entropy", Information Forensics and Security, IEEE Transactions on , vol.6, no.3, pp. 843-852, Sept. 2011.

상세보기
K.C. Ho, W. Prokopiw and Y.T. Chan, "Modulation identification of digital signals by the wavelet transform", IEE Proceedings - Radar, Sonar and Navigation, vol. 147, pp. 169, 2000.

상세보기
S. Qinghua and Y. Karasawa, "Automatic Modulation Identification Based on the Probability Density Function of Signal Phase", Communications, IEEE Transactions on, vol. 60, pp. 1033-1044, 2012.

상세보기
A. Swami and B. Sadler, "Hierarchical digital modulation classification using cumulants", IEEE Transactions on Communication, vol. 48, pp. 416-429, 2000.

상세보기
W. Hongfei, O. A. Dobre, L. Cheng, and R. Inkol, "M-FSK signal recognition in fading channels for cognitive radio", in Radio and Wireless Symposium (RWS), 2012 IEEE, pp. 375-378, 2012.
E. Like, V. D. Chakravarthy, P. Ratazzi, and Z. Wu, "Signal classification in fading channels using cyclic spectral analysis", EURASIP Journal on Wireless Communications and Networking, 1. 2009.
O. A. Dobre, A. Abdi, Y. Bar-Ness, and W. Su, "Cyclostationarity- Based Modulation Classification of Linear Digital Modulations in Flat Fading Channels", Wireless Personal Communications, vol. 54, pp. 699-717, 9. 2010.

상세보기
O. A. Dobre, M. Oner, S. Rajan, and R. Inkol, "Cyclostationarity- Based Robust Algorithms for QAM Signal Identification", Communications Letters, IEEE, vol. 16, pp. 12-15, 2012.

상세보기
C. W. Lim and M. B. Wakin, Compressive Higher Order Cyclostationary Statistics (2013), from http://inside.mines.edu -clim/ pubs/chos_ draft_double_june_2013.pdf.
M. W. Aslam, Z. Zhu, A. K. Nandi, "Automatic modulation classification using combination of genetic programming and KNN", IEEE Transactions on wireless communications, vol. 11, no. 8, pp. 2742-2750, 8. 2012.

상세보기
A. Kubankova, H. Atassi and D. Kubanek, "Gaussian mixture model based recognition of digital modulations of noisy signals", Electrotechnics magazine, vol. 2, no.1, 4. 2011.
W. A. Gardner and C. M. Spooner, "The cumulant theory of cyclostationary time-series. I. Foundation", Signal Processing, IEEE Transactions on, vol. 42, pp. 3387-3408, 1994.

상세보기
S. Theodoridis and K. Koutroumbas, Pattern Recognition, Elsevier Science, 2008.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증