• 한국통신학회논문지
• /
• 제41권11호
• /
• pp.1406-1409
• /
• 2016

본 논문에서는 송수신단 간 변조기법 및 채널 상태 값이 약속되지 않은 완벽한 블라인드 통신 상황에서 송신측의 변조방식을 알아내기 위해 성좌도 회전 및 확률밀도함수(probability density function : pdf)를 이용한 새로운 자율 변조 구분(Automatic modulation classification : AMC)기법과 경험적 신호 그룹화 알고리즘을 통해 채널 상태 값을 추정하는 방법을 제안한다. 평균제곱근 편차(Root mean square error : RMSE) 및 심볼 오류율(Symbol error rate : SER) 등의 모의실험을 통해 제안된 기법과 기존의 다른 기법간의 채널 상태와 변조 추정 능력을 비교 평가한다.

• 전기전자학회논문지
• /
• 제26권4호
• /
• pp.568-576
• /
• 2022

무선 신호 인식 및 자동 변조 분류(Automatic Modulation Classification) 기술은 넓은 주파수 대역에서 다양한 무선 통신 서비스를 단일 단말에서 유연하게 이용 가능한 SDR(Software Defined Radio) 플랫폼의 핵심 요소 기술로 필요성이 높아지고 있다. 최근에는 데이터 학습 기반의 딥러닝 기술을 기반으로 정확도가 향상된 여러 가지 자동 변조 분류 모델들이 제안되고 있다. 하지만, 대부분의 연구는 모델에 입력되는 무선 신호의 길이가 고정된 경우에 초점을 맞추고 길이가 가변적인 시나리오를 고려하지 않고 있다. 본 연구에서는 SDR의 개방형 플랫폼의 요소 기술로써 임의의 무선 신호의 길이에 대해 변조 분류가 가능한 방법을 제안한다. 이를 위해, 두 가지 입력 크기에 대해 학습된 Convolutional Neural Network(CNN) 기반의 주 모델(main model)과 하위 모델(small model)로 분류 시스템을 설계하고, 나머지 구간의 길이로 수신된 신호에 대해서는 자기 복제 패딩 기법으로 입력 샘플을 증강시켜 변조 분류를 수행한다. 분류 성능 정확도 및 계산 복잡도의 비교분석을 위한 RadioML 2018.01A 데이터셋을 사용한 실험을 통해 제안하는 기법이 모든 신호 대 잡음비(Signal-to-Noise Ratio, SNR) 영역에서 기존 방식보다 높은 정확도를 제공하면서도 낮은 연산량을 필요함을 보였다.

• 한국정보통신학회논문지
• /
• 제23권10호
• /
• pp.1275-1281
• /
• 2019

무선 신호의 자동 변조 인식은 지능형 수신기의 주요한 작업으로 다양한 민간 및 군대 응용분야가 있다. 본 논문에서는 딥 뉴럴 네트워크 모델을 기반한 무선통신에서 전파신호의 변조 방식을 식별하는 방법을 제안한다. 순차적인 데이터에 대해 장기적인 패턴을 잡아내는데 용이한 LSTM 모델을 통과하여 얻은 연속적인 신호의 특징값을 딥 뉴럴 네트워크의 입력 데이터로 사용하여 신호의 변조 패턴을 분류한다. 변조된 신호의 진폭 및 위상, 동상(In-phase) 반송파, 직각 위상(Quadrature-phase) 반송파의 값을 LSTM 모델의 입력 데이터로 사용하여 분류한다. 제안된 학습 방법의 성능을 검증하기 위해, 다양한 신호 대 잡음비로 10 가지 유형의 변조 신호를 포함하는 대형 데이터 세트를 사용하여 학습하고 테스트한다. 본 논문의 변조 인식 프로그램은 신호의 사전 정보가 없는 환경에서 변조방식을 예측하는데 적용될 수 있다.