MTL 기반 중첩 미상 신호 도래각 추정 및 자동 변조 분류

I. 서 론

전장 환경에서는 다수의 신호원이 존재함에 따라 중첩 신호가 빈번하게 수신되며, 이는 신호의 탐지 및 분석에 어려움을 초래한다^[1]. 특히 기존에 식별되지 않은 미상의 중첩 신호를 수신하는 군 통신 시스템에서는 실시간 위협 분석 및 대응을 위하여 신호 분리, 탐지 및 특성 추정을 통합하는 신호 처리 기술이 필수적이다^[2].

MoDANet^[3]은 MTL(multi-task learning)을 활용하여 도래각 및 변조 기법을 하나의 네트워크에서 동시에 추정하는 최초의 딥러닝 모델이다. MoDANet은 단일 작업을 독립적으로 수행하는 경우 발생하는 특징 추출 과정의 중복을 제거하여 계산 복잡도를 감소한다. 그러나 단일 신호원을 가정하므로 중첩 미상 신호 수신 시나리오에 적용하기에 적합하지 않다.

본 논문에서는 중첩 미상 신호에 적용 가능한 MTL 기반 신호 처리 알고리즘을 제안한다. 제안 알고리즘은 주파수 필터링을 통하여 중첩 신호를 개별 신호로 분리하고 신호 전력을 임계값과 비교하여 미상 신호의 존재를 탐지한다. 분리된 각 신호에 MoDANet을 적용하여 개별 신호의 도래각과 변조 기법을 추정 및 매핑한다. 제안 알고리즘은 신호 분리, 탐지 및 특성 추정을 하나의 시스템으로 통합하였으며, 도래각 및 변조 기법을 하나의 네트워크에서 동시 추정하여 계산 효율성을 향상한다^[2].

II. 중첩 미상 신호 시스템 모델

본 논문에서는 그림 1과 같이 요소 간 간격이 d인 M개의 안테나로 구성된 ULA(uniform linear array) 안테나가 K개의 신호원으로부터 중첩 미상 신호를 수신하는 시스템을 가정한다. k번째 신호원의 송신 신호 X_k∈ℂ ^M×T는 식 (1)과 같다.

그림 1. | Fig. 1. 중첩 미상 신호에 대한 도래각 및 변조 기법 동시 추정 모식도 | The scheme of joint DoA estimation and AMC for overlapped unknown signals.

Download Original Figure

여기서 s_k∈ℂ ^T×1는 복소 기저대역 신호이며, T는 스냅샷 개수, [  ‧  ]^⊤는 전치 행렬이다. 각 신호의 도래각 θ_k, 주파수 f_k에 대한 조향 벡터 a(θ_k, f_k)∈ℂ ^M×1는 식 (2)와 같다.

여기서 v_k=2πdsin(θ_k)/λ_k이며, λ_k=c/f_k는 k번째 신호의 파장, c는 광속이다. 전체 수신 신호 행렬 Y∈ℂ ^M×T는 식 (3)과 같다.

여기서 N∈ℂ ^M×T은 수신 신호의 잡음이다.

III. MTL 기반 중첩 미상 신호 도래각 및 변조 기법 동시 추정 알고리즘

3-3 MTL 기반 도래각 및 변조 기법 추정

제안 알고리즘은 중첩 신호 내 개별 신호의 도래각 및 변조 기법을 추정하고 매핑하는 것을 목표로 한다. 이를 위하여 분리 및 탐지가 완료된 모든 Z_k에 그림 2에 제시된 MoDANet^[3]을 적용하여 두 경로에서 각각 변조 방식 및 도래각을 예측한다. 본 논문의 MoDANet 입출력 및 손실 함수 L은 식 (6)~식 (8)과 같다.

그림 2. | Fig. 2. MoDANet^[3] 모델 구조 | MoDANet^[3] model architecture.

Download Original Figure

$$[\widehat{\theta },\widehat{\chi }]=\mathrm{Net}\left(Z_k\right),$$

(6)

$${\mathcal{L}}_{\Sigma }={\mathcal{L}}_{\text{DoA}}+{\mathcal{L}}_{\text{AMC}},$$

(7)

$$\mathcal{L}=-\frac{1}{N_s}{\displaystyle \sum _{i=1}^{N_s}{\displaystyle \sum _{j=1}^{N_m}{n}_{ij}}}\ln {\widehat{n}}_{ij},$$

(8)

여기서 $\stackrel{⌢}{\theta },\stackrel{⌢}{x}$ 는 각각 모델이 추정한 신호의 DoA 및 변조 기법 클래스이며, ℒ_DoA, ℒ_AMC는 각각 DoA 추정과 AMC에서의 손실함수로 ℒ과 같이 계산된다. N_s는 학습에 사용되는 신호의 개수, N_m는 모델이 분류 가능한 클래스의 개수이며, n_ij은 j번째 클래스에 대한 i번째 신호의 실제 클래스, ${\stackrel{⌢}{n}}_{ij}$은 i번째 신호의 클래스 j에 대하여 네트워크가 추정한 값이다.

IV. 시뮬레이션 결과

시뮬레이션 파라미터 설정값은 다음과 같다. 신호원 개수 K는 5개, 스냅샷 개수 T는 1,024개, 안테나 개수 M은 5개, α는 0.01로 설정하였다. 각 주파수 대역별 변조 방식은 미군의 전술 무선 통신 운용에 관한 공식 문서인 MCRP3‑40.3G^[5]에 기반하여 설정하였다. 구체적인 시뮬레이션 환경 설정은 표 1과 같다.

그림 3은 Neyman-Pearson lemma 기반 신호 탐지 결과와 함께, 제안 알고리즘 및 개별 작업의 변조 분류 정확도와 도래각 추정 RMSE(root mean square error)를 나타낸다. 신호 검출 정확도는 SNR −20 dB에서 2.9 %에 불과했으나, −5 dB에서 급격히 증가하여 0 dB 이상에서는 100 %를 달성하였다. 이를 통하여 제안 알고리즘이 SNR −5 dB 이상에서 안정적인 신호 탐지 성능을 보이며, 특히 0 dB 이상에서 완전한 탐지가 가능함을 확인하였다.

그림 3. | Fig. 3. 제안 알고리즘 및 개별 작업의 도래각 추정 RMSE 및 변조 분류 정확도 | AMC accuracy and DoA estimation RMSE of the proposed algorithm and individual tasks.

Download Original Figure

변조 분류 정확도는 J개의 전체 테스트 신호 중 변조 기법이 정확하게 추정된 신호의 비율이며, 도래각 추정 RMSE는 식 (9)와 같다.

여기서 θ_(j,k), ${\stackrel{⌢}{\theta }}_{j,k}$는 각각 k번째 신호의 실제 도래각과 모델이 예측한 도래각이다. 제안 알고리즘은 낮은 SNR에서 개별 작업에 비하여 낮은 성능을 보였으나, SNR −10 dB에서 84 %의 분류 정확도, −5 dB에서 2.4°의 RMSE를 달성하며 개별 작업 대비 높은 성능을 달성하였다. MTL은 두 작업 간 상관된 특징을 공유함으로써 하나의 작업에서 학습한 정보를 다른 작업의 판별 기준에도 활용하는 상호 보완적인 학습을 수행하므로 SNR 상승에 따라 제안 알고리즘의 성능이 향상되었다.

표 2는 제안 알고리즘 및 개별 작업의 계산 복잡도를 나타낸다. 두 개별 작업을 독립적으로 직렬 수행할 경우 총 파라미터 수 및 총 실행 시간은 각각 595,756, 1.21 ms이며, 제안 알고리즘은 이에 비하여 각각 약 13.7 %, 26.7 % 낮은 계산복잡도를 요구한다. 이는 중복된 특징 추출 과정을 통합하여 학습 및 추론 과정의 계산 자원을 절감한 결과로, 제안 알고리즘의 계산 효율성을 입증한다.

그림 4 및 그림 5는 각각 SNR −10 dB, 10 dB에서 각 변조 기법에 대한 AMC 정확도를 나타내는 오차 행렬이다. 각 행렬 요소는 실제 변조 기법과 예측 변조 기법 간의 일치 확률을 나타낸다. 제안 알고리즘은 모든 변조 방식에 대하여 SNR −10 dB에서 76 %, 10 dB에서 92 % 이상의 높은 분류 정확도를 달성하였다. 특히, 각 SNR에서 BPSK(binary phase shift keying)는 91.2 %, 100 % 정확도로 분류하였다. BPSK는 다른 변조 방식과 주파수 대역을 공유하지 않으므로 MoDANet^[3]이 클래스 간 경계를 명확히 학습하여 높은 분류 정확도를 달성하였다.

그림 4. | Fig. 4. SNR −10 dB에서 제안 알고리즘의 오차 행렬 | Confusion marix when SNR is −10 dB.

Download Original Figure

그림 5. | Fig. 5. SNR 10 dB에서 제안 알고리즘의 오차 행렬 | Confusion marix when SNR is 10 dB.

Download Original Figure

V. 결 론

본 논문에서는 MTL 기반 중첩 미상 신호 도래각 및 변조 기법 동시 추정 알고리즘을 제안하였다. 제안 알고리즘은 신호의 분리, 탐지 및 특성 추정을 하나의 시스템으로 통합하며, MoDANet을 활용하여 도래각 및 변조 기법을 동시에 추정한다. 시뮬레이션 결과, 제안 알고리즘은 각 개별 작업 대비 낮은 계산 복잡도를 달성하며, SNR에서 0 dB 이상에서 높은 성능을 보이는 것을 확인하였다. 이를 통하여 상호 보완적인 학습을 수행하는 MTL 기반 제안 알고리즘이 무선 신호의 다중 특성 동시 추정 정확도를 향상함을 검증하였다. 향후 연구로는 하드웨어 및 채널 임페어먼트가 존재하는 실제 무선 통신 환경을 고려한 도래각 및 변조 기법 동시 추정 연구가 고려된다.