• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제17권6호
• /
• pp.1743-1758
• /
• 2023

Automatic modulation classification is a critical algorithm for non-cooperative communication systems. This paper addresses the challenging problem of closed-set and open-set signal modulation classification in complex channels. We propose a novel approach that incorporates a self-learning filter and center-loss in Deep Residual Shrinking Networks (DRSN) for closed-set modulation classification, and the Opendistance method for open-set modulation classification. Our approach achieves better performance than existing methods in both closed-set and open-set recognition. In closed-set recognition, the self-learning filter and center-loss combination improves recognition performance, with a maximum accuracy of over 92.18%. In open-set recognition, the use of a self-learning filter and center-loss provide an effective feature vector for open-set recognition, and the Opendistance method outperforms SoftMax and OpenMax in F1 scores and mean average accuracy under high openness. Overall, our proposed approach demonstrates promising results for automatic modulation classification, providing better performance in non-cooperative communication systems.

• 정보처리학회논문지C
• /
• 제12C권1호
• /
• pp.63-68
• /
• 2005

본 논문에서는 다중레벨 직교진폭변조 신호론 위한 최우 변조분류기법의 성능을 분석한다. 기존의 연구와는 달리 여기서는 가용 변조방식에 대한 상대적인 분규성능과 단일표본관측을 적용할 경우 최우 분류기의 성능한계 둥을 제시하였다. 이를 위하여 본 논문에서는 가용 성상도에서 심볼간 최소 유클리드 거리론 동일하게 하여 심볼의 수가 자은 성상도가 보다 큰 성상도의 부분집합이 되도록 하였다 그리고 다중가설시험을 위한 표본의 수는 하나로 정하였다. 그 결과 모든 실험에서 신호대잡음비의 증가에 따라 분류성능이 향상됨을 될 수 있다. 특히, 참인 성상도가 4진 직교진폭변조인 경우 추가적인 정보나 관측표본 없이도 송신기에서 사용된 변조방식을 거의 완벽하게 분류함을 확인할 수 있다. 또한 16진과 64진 신호의 경우 그 부분집합이 되는 성상도에 의하여 공유된 심볼들의 영향으로 오분류 가능성이 상존하지만 단일표본관측만으로도 약 $80{\%}$의 정분류 성능을 얻을 수 있다.

• 디지털산업정보학회논문지
• /
• 제16권2호
• /
• pp.45-52
• /
• 2020

This paper is focused on the modulation scheme detection of the IEEE 802.11 standard. In the IEEE 802.11ac standard, the information of the modulation scheme is indicated by the modulation coding scheme (MCS) included in the VHT-SIG-A of the preamble field. Transmitting end determines the MCS index suitable for the low signal to noise ratio (SNR) situation and transmits the data accordingly. Since data field decoding can take place only when the receiving end acquires the MCS index information of the frame. Therefore, accurate MCS detection must be guaranteed before data field decoding. However, since the MCS index information is the information obtained through preamble field decoding, the detection rate can be affected significantly in a low SNR situation. In this paper, we propose a relatively robust modulation classification method based on deep learning to solve the low detection rate problem with a conventional method caused by a low SNR.

• 한국정보통신학회논문지
• /
• 제25권3호
• /
• pp.427-432
• /
• 2021

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.

• 대한전자공학회논문지TC
• /
• 제45권4호
• /
• pp.22-30
• /
• 2008

본 논문은 웨이브릿 변환을 이용하여 사전정보 없이 입사하는 디지털 신호의 변조타입 자동식별 방법에 관한 것이다. 변조인식에 사용되는 특징(key features)은 변조타입에 대한 민감도가 우수하고, SNR에 대한 변화가 적은 속성을 가져야 한다. 잡음에 대한 변화가 적은 속성을 가진 웨이브릿 변환 계수에서 변조인식을 위해 4개의 특징(key features)을 선정하였다. 또한 선정된 특징들을 이용하여 총 8종의 디지털변조 신호를 분류하기 위해 시뮬레이션을 수행하였다. 소프트웨어 라디오의 변조인식 모듈 탑재를 고려하여, 3 타입의 변조인식기에 대한 인식 정확도 및 수행시간을 비교 분석하였다. 시뮬레이션 결과 전체 인식시간은 MDC(Minimum Distance Classifier)와 DTC(Decision Tree Classifier)가 빠르게 수행되었고, 인식정확도는 MDC와 SVMC(Support Vector Machine Classifier)가 우수하게 제시되었다.

• 한국군사과학기술학회지
• /
• 제10권4호
• /
• pp.88-96
• /
• 2007

This paper discusses the fast modulation classifiers capable of classifying both analog and digital modulation signals in wireless communications applications. A total of 7 statistical signal features are extracted and used to classify 9 modulated signals. In this paper, we investigate the performance of the two types of fast modulation classifiers (i.e. 2 nearest neighbor classifiers and 2 minimum distance classifiers) and compare the performance of these classifiers with that of the state of the art for the existing classification methods such as SVM Classifier. Computer simulations indicate good performance on an AWGN channel, even at low signal-to-noise ratios, in case of minimum distance classifiers (MDC for short) and k nearest neighbor classifiers (kNNC for short). Besides a good performance, these type classifiers are considered as ideal candidate to adapt real-time software radio because of their fast modulation classification capability.

• International Journal of Computer Science & Network Security
• /
• 제22권9호
• /
• pp.403-413
• /
• 2022

Classification and analysis are improved factors for the realtime automation system. In the field of agriculture, the cultivation of different paddy crop depends on the atmosphere and the soil nature. We need to analyze the moisture level in the area to predict the type of paddy that can be cultivated. For this process, Ensemble Modulation Pattern system and Block Probability Neural Network based classification models are used to analyze the moisture and temperature of land area. The dataset consists of the collections of moisture and temperature at various data samples for a land. The Ensemble Modulation Pattern based feature analysis method, the extract of the moisture and temperature in various day patterns are analyzed and framed as the pattern for given dataset. Then from that, an improved neural network architecture based on the block probability analysis are used to classify the data pattern to predict the class of paddy crop according to the features of dataset. From that classification result, the measurement of data represents the type of paddy according to the weather condition and other features. This type of classification model assists where to plant the crop and also prevents the damage to crop due to the excess of water or excess of temperature. The result analysis presents the comparison result of proposed work with the other state-of-art methods of data classification.

• 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.

• ETRI Journal
• /
• 제43권6호
• /
• pp.991-1003
• /
• 2021

Automatic modulation classification is essential in radar emitter identification. We propose a cascade classifier by combining a support vector machine (SVM) and convolutional neural network (CNN), considering that noise might be taken as radar signals. First, the SVM distinguishes noise signals by the main ridge slice feature of signals. Second, the complex envelope features of the predicted radar signals are extracted and placed into a designed CNN, where a modulation classification task is performed. Simulation results show that the SVM-CNN can effectively distinguish radar signals from noise. The overall probability of successful recognition (PSR) of modulation is 98.52% at 20 dB and 82.27% at -2 dB with low computation costs. Furthermore, we found that the accuracy of intermediate frequency estimation significantly affects the PSR. This study shows the possibility of training a classifier using complex envelope features. What the proposed CNN has learned can be interpreted as an equivalent matched filter consisting of a series of small filters that can provide different responses determined by envelope features.

• 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.