$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

딥러닝 기반 자동 변조 인식 성능 분석
Performance analysis in automatic modulation classification based on deep learning 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.25 no.3, 2021년, pp.427 - 432  

강종진 (C4I R&D Center, Hanwha Systems) ,  김재현 (Department of Electrical and Computer Engineering, Ajou University)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 미상의 통신신호에 대한 자동 변조 인식을 위하여 심층신경망인 딥뉴럴네트워크를 적용하여 변조 형태를 식별하고 그 성능을 분석하였다. 신경망 입력 데이터는 변조된 신호의 시간영역 디지털샘플 데이터, FFT(Fast Fourier Transform)를 적용한 주파수영역 데이터, 시간 및 주파수영역 혼합데이터를 사용하여 각각의 변조인식 성능을 확인하였다. 아날로그 변조 및 디지털 변조 신호 11종에 대하여 -20~18 dB 까지 다양한 SNR(Signal to Noise Ratio) 환경에서 변조인식 성능을 확인하고 그 성능을 분석하였으며, 입력 데이터의 종류에 따른 학습 속도를 확인함으로써 제안한 방법이 실제적인 자동변조 인식 시스템 구축에 효과적인 방법임을 확인 하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this paper, we conduct performance analysis in automatic modulation classification of unknown communication signal to identify its modulation types based on deep neural network. The modulation classification performance was verified using time domain digital sample data of the modulated signal, f...

주제어

#자동변조인식   #딥러닝   #신경망   #신호대잡음비   #고속푸리에변환  

표/그림 (7)

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 본 논문에서는 기계학습 분야에 널리 사용되고 있는 딥러닝 기법 중 비교적 간단한 4개의 히든 레이어로 구성된 완전연결네트워크를 사용하여 수신된 신호의 변조 형태를 식별하고 그 성능을 분석하였다. 특히 학습에 사용되는 입력 데이터를 시간영역 데이터, 주파수 영역 데이터, 시간-주파수영역 복합 데이터의 3가지로 방법으로 구분하여 학습 및 실험을 수행하고 그 결과를 비교분석하였다.
  • 본 논문에서는 딥러닝 기술을 적용한 AMC 시스템설계에 있어서, 학습속도 향상을 위하여 수신 신호의 시간 영역 정보와 고속푸리에변환(FFT: Fast Fourier Transform)을 통한 주파수영역 정보를 사용하는 방법을 제안한다.

가설 설정

  • 주파수영역 정보생성을 위한 FFT 연산은 통상 처리속도가 빠른 FPGA (Field Programmable Gate Array)를 사용한다. 본 논문의 AMC는 그림 1의 CPU에서 구동되며, 입력데이터는 FPGA로부터 처리된 데이터로 가정한다.
본문요약 정보가 도움이 되었나요?

참고문헌 (14)

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

    상세보기 crossref

  2. S. H. Seo, Y. J. Yoon, Y. H. Jin, Y. J. Seo, S. M. Lim, J. M. Ahn, C. S. Eun, W. Jang, and S. P. Nah, "Automatic Recognition of Analog and Digital Modulation Signals," The Journal of Korean Institute of Communications and Information Sciences, vol. 30, no. 1C, pp. 73-81, Jan. 2005. 

  3. J. K. Kim, B. D. Kim, D. W. Yoon, and J. W. Choi, "Deep Neural Network-based Automatic Modulation Classification Technique," The Journal of Korean Institute of Information Technology, vol. 14, no. 12, pp. 107-115, Dec. 2016. 

    상세보기

  4. H. J. Kim, H. J. Kim, J. H. Je, and K. S. Kim, "A deep learning method for the automatic modulation recognition of received radio signals," Journal of the Korea Institute of Information and Communication Engineering, vol. 23, no. 10, pp. 1275-1281, Oct. 2019. 

  5. T. J. O'Shea, J. Corgan, and T. C. Clancy, "Convolutional Radio Modulation Recognition Networks," Preprint, submitted, Jun. 2016. https://arxiv.org/abs/1602.04105. 

  6. N. E. West and T. J. O'Shea, "Deep architectures for modulation recognition," in IEEE International Symposium on Dynamic Spectrum Access Networks (DySPAN), pp. 1-6, 2017. 

  7. T. J. O'Shea, T. Roy, and T. C. Clancy, "Over-the-Air Deep Learning Based Radio Signal Classification," IEEE Journal of Selected Topics in Signal Processing, vol. 12, no. 1, pp. 168-179, 2018. 

    상세보기 crossref

  8. I. S. Choi, S. J. Jang, and S. J. Yoo, "Feature-Based Automatic Modulation Classification Using Deep Learning in Cognitive Radio," The Journal of Korean Institute of Communications and Information Sciences, vol. 43, no. 6, pp. 930-944, Jun. 2018. 

    상세보기 crossref

  9. S. H. Kim, C. Y. Kim, S. H. Yoo, and D. S. Kim, "Design of Deep Learning Model for Automatic Modulation Classification in Cognitive Radio Network," The Journal of Korean Institute of Communications and Information Sciences, vol. 45, no. 8, pp. 1364-1372, Aug. 2020. 

    상세보기 crossref

  10. M. Ettus and M. Braun, "The universal software radio peripheral (usrp) family of low-cost sdrs," Opportunistic Spectrum Sharing and White Space Access: The Practical Reality, pp. 3-23, 2015. 

  11. T. J. O'Shea and N. West, "Radio machine learning dataset generation with GNU radio," in Proceedings of the GNU Radio Conference, vol. 1, no. 1, 2016. 

  12. N. Srivastava, G. E. Hinton, A. Krizhevsky, I. Sutskever, and R. Salakhutdinov, "Dropout: A simple way to prevent neural networks from overfitting," Journal of Machine Learning Research, vol. 15, no. 1, pp. 1929-1958, 2014. 

    상세보기

  13. J. J. Kang, S. K. Park, and J. H. Roh, "Performance Analysis on Digital Phase Difference Measurement Techniques for Interferometer Direction Finder," Journal of the Korea Institute of Information and Communication Engineering, vol. 22, no. 8, pp. 1076-1082, Aug. 2018. 

    원문보기 상세보기 crossref

  14. A. Thompson, Deep Learning on RF Data [Internet]. Available: https://on-demand.gputechconf.com/gtc/2018/presentation/s8826-deep-learning-applications-for-radio-frequency-rf-data.pdf. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로