통신신호 탐지를 위한 딥러닝 기반 스펙트럼 센싱 = Deep Learning-Based Spectrum Sensing for Detection of Communication Signals

국문 초록 (Abstract)

군 통신을 중심으로 적의 탐지를 최소화하기 위해 저피탐(low probability of detection, LPD) 통신 시스템의개발이 관심을 받고 있으며, 다양한 환경에서 높은 탐지 확률을 보장하는 신호 탐지 기술에 대한 필요성이 대두되고있다. 따라서 본 논문은 스펙트럼 센싱을 이용하여 신호 존재 여부를 판단하는 통신 신호 탐지 기법을 제안한다. 수집신호는 고속 샘플링된 후 fast fourier transform (FFT)를 통해 주파수 스펙트럼으로 변환된다. 변환된 스펙트럼은시간 축으로 누적되어 2차원 스펙트로그램을 형성하며, 이를 딥러닝 모델의 입력으로 사용한다. 일차적으로 합성곱신경망(convolutional neural network, CNN)을 이용해 신호 존재 여부를 판단하는 기법을 제안한다. 컴퓨터 모의실험결과, 제안하는 CNN 기법은 기존 임계값 기반 기법 대비 약 2dB의 성능 향상을 보인다. 특히, signal to noise ratio (SNR) = –6dB 환경에서 약 35% 높은 탐지 정확도를 보인다. 또한, you only look once (YOLO)를 활용하여 신호의시간-주파수 위치를 인식하는 기법을 제안한다. 실험 결과, YOLO 기반 시간-주파수 위치 인식은 SNR = 1dB부터80% 이상의 intersection over union (IOU) 성능을 달성한다.

다국어 초록 (Multilingual Abstract)

In military communications, low probability of detection (LPD) systems are increasingly important to minimize enemy interception, driving demand for robust detection techniques. This paper proposes a spectrum sensing–based method to determine signal presence. Collected signals are sampled, transformed by fast fourier transform (FFT), and accumulated into spectrograms for deep learning input. A convolutional neural network (CNN) identifies signal existence, achieving approximately 2 dB gain and 35% higher accuracy at signal to noise ratio (SNR) = –6 dB. A you only look once (YOLO) model then localizes time frequency positions, reaching over 80% Intersection Over Union (IOU) from SNR = 1 dB onward.