가중합 기반 CFO 전처리 기법을 통한 자동변조인식 성능 향상

국문 초록 (Abstract)

자동변조인식(automatic modulation recognition)은 신호의 변조 방식을 자동으로 식별하는 기술로 다양한 무선 통신 분야에서 활용된다. 특히 국방 분야에서는 미상의 적 신호를 탐지, 식별하고 대응하기 위한 전자전 지원의 핵심 단계로 사용된다. 그러나 실제 환경에서는 송수신 클록 불일치와 도플러로 인해 발생하는 CFO(carrier frequency offset)가 신호의 위상을 회전시켜 변조 인식 성능을 저하시킨다. 이러한 문제를 해결하기 위해서는 변조 인식 과정을 수행하기 전에 CFO를 추정하는 전처리 과정이 필요하다. 그런데 CFO 추정을 위한 사전 정보가 제한되는 경우가 많아, 이 경우에는 NDA(non-data-aided) 방식을 사용해야 한다. 최근 FNN(fully feedforward network), ResNet 등 딥러닝을 이용해 CFO 영향을 완화하려는 시도가 있으나, 대규모 학습과 높은 계산 복잡도 등으로 실시간 적용에 제약이 있다. 본 논문은 학습 과정이 필요 없는 가중합 기반 CFO 전처리 알고리즘을 도입한다. 가중합 기반 전처리 기법은 전체 주파수 영역을 탐색하는 대신 사전에 설정한 개의 후보 주파수에 대해 복소 지수 상관합의 크기를 계산하고, 그 결과에 민감도 파라미터 를 갖는 지수 가중을 적용해 가중합으로 최종 CFO를 산출한다. 이렇게 추정된 CFO로 수신 신호를 보정해 자동변조인식의 입력으로 사용한다. 모의실험 결과, RMSE로 비교했을 때 가중합 기법은 CFO 추정 정확도에서 기존 최대우도 추정 기법 대비 우수한 성능을 보였으며, 보정된 신호를 딥러닝 모델에 입력했을 때 변조 인식 정확도가 유의미하게 향상되었다. 이를 통해 본 방식이 사전 정보나 추가 학습 없이도 CFO 환경에서 자동변조인식 성능을 안정적으로 향상시킬 수 있음을 확인하였다.

다국어 초록 (Multilingual Abstract)

Automatic modulation recognition is a technology that automatically identifies the modulation method of a signal and is used in various wireless communication fields. Especially in the defense field, it is used as a key step for detecting, identifying, and responding to unknown enemy signals. However, in a real environment, the carrier frequency offset (CFO) caused by the transmission/reception clock mismatch and Doppler rotates the phase of the signal, deteriorating the modulation recognition performance. To solve this problem, a preprocessing process of estimating a CFO is required before performing the modulation recognition process. However, since prior information for CFO estimation is often limited, a non-data-aided (NDA) method should be used in this case. Recently, attempts have been made to mitigate the impact of CFO by using deep learning such as fully feedforward network (FNN) and ResNet, but real-time application is limited due to large-scale learning and high computational complexity. This paper introduces a weighted sum-based CFO preprocessing algorithm that does not require a learning process. Instead of exploring the entire frequency domain, the weighted-sum-based technique calculates the size of the complex index correlation for a of candidate frequencies set in advance, and applies an index weighting with a sensitivity parameter to the result to calculate the final CFO as a weighted sum. The received signal is corrected with the estimated CFO and used as an input for automatic modulation recognition. As a result of the simulation, when compared with RMSE, the weighted-sum technique showed superior performance in CFO estimation accuracy compared to the existing maximum likelihood estimation technique, and when the corrected signal is input into the deep learning model, the modulation recognition accuracy is significantly improved. Through this, it was confirmed that this method can stably improve the automatic modulation recognition performance in the CFO environment without prior information or additional learning.

목차 (Table of Contents)

• 요약
• Abstract
• Ⅰ. 서론
• Ⅱ. 본론
• Ⅲ. 모의실험
• Ⅳ. 결론
• REFERENCES