신경망 기반의 신호 천이 고속 분류 연구 = Study for Fast Classification of Signal Transient based on Neural Network

다국어 초록 (Multilingual Abstract)

In cognitive radio communication systems, classification ability is required for an individual communication device for adaptive reuse of spectrum. If characteristics of a transient signal that is the initial duration of a transmitted communication signal can be analyzed, we can classify the individual transmitter. For a real-time operation, a fast classification with low complexity should be available. We propose a fast classification method of a communication signal transient based on a neural network. To improve the processing speed of the classifier with low complexity, we use transient samples of the communication signal without preprocessing and adopt a simple neural network structure. Classification is performed for twelve transient types including raised-cosine and square-root raised-cosine shapes. Through computer simulation, it was confirmed that the proposed method showed a classification accuracy of 99% at a signal-to-noise ratio of 10 dB. Furthermore, because the proposed method has a structure in which multiplication is performed 12 times per clock, it was analyzed as having low computational complexity.

국문 초록 (Abstract)

인지 무선 통신 시스템에서는 가변적인 스펙트럼 재사용을 위해 개별 통신 객체를 분류하는 능력이 요구된다. 송신되는 통신 신호의 초기 구간인 천이 신호의 특성을 분석하면 개별 송신기를 분류할 수 있으며, 실시간으로 운용되기 위해서는 낮은 계산 복잡도를 갖고 고속의 분류가 가능해야 한다. 본 논문에서는 신경망 기반의 통신 신호 천이 고속 분류 방법을 제안한다. 분류기의 복잡도를 낮추면서 처리 속도를 향상시키기 위해 전처리 없이 통신 신호 천이 구간의 샘플을 사용하고 단순한 형태의 신경망을 적용한다. 상승 코사인 및 제곱근 상승 코사인 천이 타입을 포함하여 12가지 종류의 천이 타입에 대한 분류를 수행한다. 컴퓨터 모의실험을 통해 제안하는 방법이 신호 대 잡음비 10 dB에서 99%의 분류 정확도를 나타내는 것을 확인하였다. 그리고 제안하는 방법은 매 클럭당 12번의 곱셈을 수행하는 구조이므로, 낮은 계산 복잡도를 갖는 것으로 분석되었다.

참고문헌 (Reference)

1 이정환 ; 김재겸 ; 김병도 ; 윤동원 ; 최준원, "페이딩 환경에서의 딥러닝 기반 고성능 자동 변조분류 기법" 한국정보기술학회 16 (16): 1-10, 2018

2 O. A. Y. Ojeda, "Sensitivity analysis of cyclostationarity-based and radiometric detectors for single-sensor receivers" 48 (48): 27-43, 2012

3 D. Roy, T. Mukherjee, M. Chatterjee, E. Blasch, and E. Pasiliao, "RFAL: Adversarial learning for RF transmitter identification and classification" 6 (6): 783-801, 2020

4 T. E. Bogale, "Multi-cycle cyclostationary based spectrum sensing algorithm for OFDM signals with noise uncertainty in cognitive radio networks" 1-6, 2012

5 K. Youssef, "Machine learning approach to RF transmitter identification" 2 (2): 197-205, 2018

6 H. Jafari, "IoT devices fingerprinting using deep learning" 901-906, 2018

7 I. Hadkhale, "Faster than Nyquist signaling and analysis of its performance under uncoded/coded transmission systems" University of Oulu 2015

8 K. Merchant, "Deep learning for RF device fingerprinting in cognitive communication networks" 12 (12): 160-167, 2018

9 O. A. Dobre, "Cyclostationarity-based robust algorithms for QAM signal identification" 16 (16): 12-15, 2006

10 P. Pawelczak, "Cognitive radio: Ten years of experimentation and development" 49 (49): 90-100, 2011

11 Y. Liang, "Cognitive radio networking and communications:an overview" 60 (60): 3386-3407, 2011

12 M. V. Subbarao, "Automatic modulation recognition in cognitive radio receivers using multi-order cumulants and decision trees" 7 (7): 61-69, 2018

13 B. Ramkumar, "Automatic modulation classification for cognitive radios using cyclic feature detection" 9 (9): 27-45, 2009

14 A. Tani, "A low-complexity cyclostationary spectrum sensing for interference avoidance in femtocell LTE-Abased networks" 65 (65): 2747-2753, 2016