본 논문에서는 넌코히어런트 비동기 조건에서 PSK, QAM 등의 선형 디지털 변조 방식을 자동으로 식별하는 알고리즘을 제안한다. 디지털 변조 신호는 심볼 천이 주기간 주파수, 위상, 진폭 등의 특성이 반복적으로 변하게 된다. 이러한 특성을 이용하여 변조 방식을 식별할 수 있도록 순환 모멘트와 고차 큐뮬런트를 이용하는 방법을 제안한다. 계층적 의사 결정 트리 방식의 알고리즘 구조를 사용하여 고속으로 처리 가능하도록 구성하였으며 총 4개의 특징 추출 인자를 사용하여 식별하였다. 모의실험 결과 심볼 수 4,096개, SNR 15dB 이상에서 95% 이상의 식별 정확도를 나타내었으며, 반송 주파수와 위상 편이가 발생하더라도 신호를 분류하는데 효과적임을 확인하였다.
본 논문에서는 넌코히어런트 비동기 조건에서 PSK, QAM 등의 선형 디지털 변조 방식을 자동으로 식별하는 알고리즘을 제안한다. 디지털 변조 신호는 심볼 천이 주기간 주파수, 위상, 진폭 등의 특성이 반복적으로 변하게 된다. 이러한 특성을 이용하여 변조 방식을 식별할 수 있도록 순환 모멘트와 고차 큐뮬런트를 이용하는 방법을 제안한다. 계층적 의사 결정 트리 방식의 알고리즘 구조를 사용하여 고속으로 처리 가능하도록 구성하였으며 총 4개의 특징 추출 인자를 사용하여 식별하였다. 모의실험 결과 심볼 수 4,096개, SNR 15dB 이상에서 95% 이상의 식별 정확도를 나타내었으며, 반송 주파수와 위상 편이가 발생하더라도 신호를 분류하는데 효과적임을 확인하였다.
In this paper, an automatic recognition algorithm for linearly modulated signals like PSK, QAM under noncoherent asynchronous condition is proposed. Frequency, phase, and amplitude characteristics of digitally modulated signals are changed periodically. By using this characteristics, cyclic moments ...
In this paper, an automatic recognition algorithm for linearly modulated signals like PSK, QAM under noncoherent asynchronous condition is proposed. Frequency, phase, and amplitude characteristics of digitally modulated signals are changed periodically. By using this characteristics, cyclic moments and higher order cumulants based features are utilized for the modulation recognition. Hierarchial decision tree method is used for high speed signal processing and totally 4 feature extraction parameters are used for modulation recognition. In the condition where the symbol number is 4,096, the recognition accuracy of the proposed algorithm is more than 95% at SNR 15dB. Also the proposed algorithm is effective to classify the signal which has carrier frequency and phase offset.
In this paper, an automatic recognition algorithm for linearly modulated signals like PSK, QAM under noncoherent asynchronous condition is proposed. Frequency, phase, and amplitude characteristics of digitally modulated signals are changed periodically. By using this characteristics, cyclic moments and higher order cumulants based features are utilized for the modulation recognition. Hierarchial decision tree method is used for high speed signal processing and totally 4 feature extraction parameters are used for modulation recognition. In the condition where the symbol number is 4,096, the recognition accuracy of the proposed algorithm is more than 95% at SNR 15dB. Also the proposed algorithm is effective to classify the signal which has carrier frequency and phase offset.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서 순환 모멘트 및 고차 큐뮬런트를 기반으로 선형 디지털 변조 신호에 대한 자동변조인식 알고리즘을 제안하였다. 디지털 변조 신호는 아날로그 변조 신호와 달리 심볼율이라는 주기적인 특성이 있다.
본 논문에서는 심볼율, 심볼 타이밍을 알지 못하는 상황에서 반송 주파수, 위상 편이가 발생하여도 식별 정확도에 영향이 적은 변조 인식 알고리즘을 제안한다. 디지털 신호의 심볼 천이 주기간 반복적으로 발생하는 주파수, 위상, 진폭 특성을 이용하기 위해 순환 모멘트와 고차 큐뮬런트를 활용하여 추출한 특징 인자를 이용하고, 처리속도가 빨라 실시간 구현에 장점이 있는 계층적 의사결정 트리(hierarchical decision tree) 방식의 판별 기법을 제안한다.
연산이 복잡하다는 단점이 있지만 식별 오류를 최소화할 수 있다는 장점이 있다. 본 논문에서는 패턴 인식 기법에 기반한 자동변조인식 알고리즘을 제안한다. 일반적인 패턴 인식 시스템의 구조는 그림 1과 같이 신호 수신, 특징 추출, 신호 판별의 3단계로 이루어진다.
제안 방법
본 논문에서는 심볼율, 심볼 타이밍을 알지 못하는 상황에서 반송 주파수, 위상 편이가 발생하여도 식별 정확도에 영향이 적은 변조 인식 알고리즘을 제안한다. 디지털 신호의 심볼 천이 주기간 반복적으로 발생하는 주파수, 위상, 진폭 특성을 이용하기 위해 순환 모멘트와 고차 큐뮬런트를 활용하여 추출한 특징 인자를 이용하고, 처리속도가 빨라 실시간 구현에 장점이 있는 계층적 의사결정 트리(hierarchical decision tree) 방식의 판별 기법을 제안한다.
본 논문에서는 고차 큐뮬런트와 함께 순환 모멘트를 사용하여 PSK와 QAM 신호를 식별한다. 입력 신호 y(n)의 k차 모멘트 mky(n;τ)는 다음과 같이 정의할 수 있다 [9].
본 논문에서는 변조 신호를 생성하기 위해 square root raised cosine 형태의 roll-off factor가 0.3인 송신 필터를 적용하였으며, 변조방식별로 임의의 데이터를 1,000회 생성하여 시험하였다. 먼저 주파수와 위상 편이가 없는 조건에서 심볼수를 1,024개부터 8,192개까지 변경하며 인식정확도를 측정한 결과는 그림 13과 같다.
심볼열 {sk}는 평균이 0이며 독립적이고 동일한 분포를 가진다고 가정한다. 특징 추출 전, 주파수 스펙트럼을 이용하여 입력신호의 대략적인 대역폭을 측정하고, 저대역 통과 필터를 사용하여 신호 대 잡음비를 개선하는 작업을 수행한다.
대상 데이터
본 논문에서는 기저대역 I/Q 신호를 이용한다. 기저대역 입력신호는 식 (1)과 같이 표현할 수 있다.
이론/모형
심볼 구간내에서 주파수, 위상, 진폭 등의 특성이 유지되다가 심볼이 바뀔 때 특성이 변하게 되므로 이러한 주기적인 특성을 다양하게 이용하기 위해서 #, #, #, #의 4가지 특징 추출 인자를 사용하여 알고리즘을 구성하였다. 알고리즘의 전체 구조는 고속으로 결과를 분석하는데 유리한 계층적 의사 결정 트리 방식을 사용하였다.
성능/효과
SNR은 0dB에서 30dB까지 5dB 간격으로, 수집 심볼수는 1,024개에서 8,192개까지 변화시키며 성능을 분석한 결과, SNR 15dB, 심볼수 4,096개 이상에서 95% 이상의 정확도로 변조 방식을 식별함을 확인할 수 있었다.그 리고 주파수 및 위상 편이에 따른 영향을 분석한 결과 foT값이 0.
SNR은 0dB에서 30dB까지 5dB 간격으로, 수집 심볼수는 1,024개에서 8,192개까지 변화시키며 성능을 분석한 결과, SNR 15dB, 심볼수 4,096개 이상에서 95% 이상의 정확도로 변조 방식을 식별함을 확인할 수 있었다.그 리고 주파수 및 위상 편이에 따른 영향을 분석한 결과 foT값이 0.3 이하인 조건에서 양호한 정확도를 나타내어 사전 정보 없이 신호를 수신하여 정보를 획득해야 하는 블라인드 수신기 환경에 적용 가능할 것으로 판단된다.
05 간격으로 변경하며 시험한 결과 그림 14와 같은 성능을 나타내었다. 심볼수 8,192개 조건에서 foT 값이 0.3 이하이면 95% 이상의 식별 정확도를 보임을 확인할 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
우도비 기반 자동변조인식의 장점은 무엇인가?
우도비 기반 자동변조인식은 수신 신호의 우도 함수를 구하고 우도비와 임계값을 비교하여 변조 방식을 결정하게 된다. 연산이 복잡하다는 단점이 있지만 식별 오류를 최소화할 수 있다는 장점이 있다. 본 논문에서는 패턴 인식 기법에 기반한 자동변조인식 알고리즘을 제안한다.
자동변조인식은 어떻게 구분할 수 있는가?
자동변조인식은 변조 방식을 판별하는 기법을 기준으로 크게 패턴 인식에 기반을 둔 기법과 우도비(Likelihood Ratio)에 기반을 둔 기법으로 구분할 수 있다[5, 6]. 패턴 인식 기법은 여러 개의 특징 추출 인자를 선정하고 각각의 측정값을 이용하여 변조 방식을 식별하게 된다.
패턴 인식 기법의 장점은 무엇인가?
패턴 인식 기법은 여러 개의 특징 추출 인자를 선정하고 각각의 측정값을 이용하여 변조 방식을 식별하게 된다. 구현하기 쉽고 처리 속도가 빠르다는 장점이 있으며 설계를 잘 할 경우 최적에 가까운 성능을 나타낼 수 있다. 우도비 기반 자동변조인식은 수신 신호의 우도 함수를 구하고 우도비와 임계값을 비교하여 변조 방식을 결정하게 된다.
참고문헌 (9)
J. A. Sills, "Maximum-likelihood modulation classification for PSK/QAM," in Proceeding of MILCOM 1999, vol. 1, pp. 217-220, 1999.
A. Swami and B. M. Sadler, "Hierarchical digital modulation classification using cumulants," IEEE Transactions on Communications, vol. 48, pp. 416-429, Mar. 2000.
W. Dai, Y. Wang, and J. Wang, "Joint power estimation and modulation classification using second- and higher statistics," in Proceeding of WCNC2002, vol. 1, pp. 155-158, Mar. 2002.
O. A. Dobre, Y. Bar-Ness, and S. Wei, "Robust QAM modulation classification algorithm using cyclic cumulants," in Proceeding of Wireless Communications and Networking Conference, vol. 2, pp. 745-748, Mar. 2004.
O. A. Dobre, A. Abdi, Y. Bar-Ness, and W. Su, "Survey of automatic modulation classification techniques: classical approaches and new trends," IET Communications, vol. 1, pp. 137-156, Apr. 2007.
Bhawna, Mukhwinder Kaur, and G. C. Lall, "Automatic modulation recognition for digital communication signals," International Journal of Soft Computing and Engineering (IJSCE), vol. 2, pp. 110-114, May 2012.
J. Li, C. He and J. Chen, "Automatic digital modulation identification basing on decision method and cumulants," IEEE International Workshop VLSI Design & Video Tech., pp. 264-267, May 2005.
S. A. Ghauri, I. M. Qureshi, A. N. Malik, and T. A. Cheema, "Higher order cumulants based digital modulation recognition scheme," Research Journal of Applied Sciences, Engineering and Technology, pp. 3910-3915, Nov. 2013.
Z. Yu, "Automatic modulation classification of communication signals," Ph.D. dissertation, New Jersey Institute of Technology, 2006.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.