Journal of IKEEE (전기전자학회논문지)

Institute of Korean Electrical and Electronics Engineers (한국전기전자학회)
권호 표지
DOI QR코드

DOI QR Code

A Deep Learning-based Automatic Modulation Classification Method on SDR Platforms

SDR 플랫폼을 위한 딥러닝 기반의 무선 자동 변조 분류 기술 연구

  • Received : 2022.10.28
  • Accepted : 2022.12.07
  • Published : 2022.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

Automatic modulation classification(AMC) is a core technique in Software Defined Radio(SDR) platform that enables smart and flexible spectrum sensing and access in a wide frequency band. In this study, we propose a simple yet accurate deep learning-based method that allows AMC for variable-size radio signals. To this end, we design a classification architecture consisting of two Convolutional Neural Network(CNN)-based models, namely main and small models, which were trained on radio signal datasets with two different signal sizes, respectively. Then, for a received signal input with an arbitrary length, modulation classification is performed by augmenting the input samples using a self-replicating padding technique to fit the input layer size of our model. Experiments using the RadioML 2018.01A dataset demonstrated that the proposed method provides higher accuracy than the existing methods in all signal-to-noise ratio(SNR) domains with less computation overhead.

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.

Keywords

Acknowledgement

이 논문은 2022년 정부(방위사업청)의 재원으로 국방기술진흥연구소의 지원을 받아 수행된 연구임(KRIT-CT-22-002)

References

  1. Peng, Shengliang, Shujun Sun, and Yu-dong Yao. "A survey of modulation classification using deep learning: Signal representation and data preprocessing," IEEE Transactions on Neural Networks and Learnning Systems, pp.1-19, 2021. DOI: 10.1109/TNNLS.2021.3085433
  2. Huynh-The, Thien, et al. "Automatic modulation classification: A deep architecture survey," IEEE Access, vol.9, pp.142950-142971, 2021. DOI: 10.1109/ACCESS.2021.3120419
  3. F. Hameed, O. Dobre, and D. Popescu, "On the likelihood-based approach to modulation classification," IEEE Transaction on Wireless Communications, vol.8, no.12, pp.5884-5892, 2009. DOI: 0.1109/TWC.2009.12.080883 0.1109/TWC.2009.12.080883
  4. T. J. O'Shea, T. Roy, and T. C. Clancy. "Over-the-air deep learning based radio signal classification," IEEE J. Sel. Topics Signal Process., vol.12, no.1, pp.168-179, 2018. DOI: 10.1109/JSTSP.2018.2797022
  5. F. Meng, P. Chen, L. Wu, and X. Wang, "Automatic modulation classification: A deep learning enabled approach," IEEE Trans. Veh. Technol., vol.67, no.11, pp.10760-10772, 2018. DOI: 10.1109/TVT.2018.2868698
  6. T. Huynh-The, C.-H. Hua, Q.-V. Pham, and D.-S. Kim, "MCNet: An efficient CNN architecture for robust automatic modulation classification," IEEE Commun. Lett., vol.24, no.4, pp.811-815, 2020. DOI: 10.1109/LCOMM.2020.2968030
  7. S.-H. Kim, J.-W. Kim, V.-S. Doan, and D.-S. Kim, "Lightweight deep learning model for automatic modulation classification in cognitive radio networks," IEEE Access, vol.8, pp.197532-197541, 2020. DOI: 10.1109/ACCESS.2020.3033989
  8. G. B. Tunze, T. Huynh-The, J.-M. Lee, and D.-S. Kim, "Sparsely connected CNN for efficient automatic modulation recognition," IEEE Trans. Veh. Technol., vol.69, no.12, pp.15557-15568, 2020. DOI: 10.1109/TVT.2020.3042638
  9. Kim, Seung-Hwan, et al. "Deep learning-based robust automatic modulation classification for cognitive radio networks," IEEE Access 9, pp. 92386-92393, 2021. DOI: 10.1109/ACCESS.2021.3091421
  10. Karim, Fazle, et al. "Multivariate LSTM-FCNs for time series classification," Neural Networks, vol.116, pp.237-245, 2019. DOI: 10.48550/arXiv.1801.04503
  11. Gonzalez, Carlos R. Aguayo, Carl B. Dietrich, and Jeffrey H. Reed. "Understanding the software communications architecture," IEEE Communications Magazine, Vol.47, No.9 pp.50-57, 2009.
  12. Shi, Fengyuan, et al. "Combining neural networks for modulation recognition," Digital Signal Processing, vol.120, pp.103264, 2022. DOI: 10.1109/ICCC54389.2021.9674421
  13. Huynh-The, Thien, et al. "MIMO-OFDM modulation classification using three-dimensional convolutional network," IEEE Transactions on Vehicular Technology, vol.71, No.6, pp.6738-6743, 2022. DOI: 10.1109/TVT.2022.3159254