KR20230026776A - 분류 대상 신호의 변조 방식을 예측하기 위해 상기 분류 대상 신호의 단일 샘플링 주파수를 결정하기 위한 방법, 상기 단일 샘플링 주파수로 샘플링된 분류 대상 신호를 이용하여 변조 방식을 예측하기 위한 방법 및 장치 - Google Patents
분류 대상 신호의 변조 방식을 예측하기 위해 상기 분류 대상 신호의 단일 샘플링 주파수를 결정하기 위한 방법, 상기 단일 샘플링 주파수로 샘플링된 분류 대상 신호를 이용하여 변조 방식을 예측하기 위한 방법 및 장치 Download PDFInfo
- Publication number
- KR20230026776A KR20230026776A KR1020210108799A KR20210108799A KR20230026776A KR 20230026776 A KR20230026776 A KR 20230026776A KR 1020210108799 A KR1020210108799 A KR 1020210108799A KR 20210108799 A KR20210108799 A KR 20210108799A KR 20230026776 A KR20230026776 A KR 20230026776A
- Authority
- KR
- South Korea
- Prior art keywords
- sampling frequency
- data
- single sampling
- signal
- classified
- Prior art date
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims description 44
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/20—Arrangements for detecting or preventing errors in the information received using signal quality detector
- H04L1/206—Arrangements for detecting or preventing errors in the information received using signal quality detector for modulated signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0006—Assessment of spectral gaps suitable for allocating digitally modulated signals, e.g. for carrier allocation in cognitive radio
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
- H04L27/34—Amplitude- and phase-modulated carrier systems, e.g. quadrature-amplitude modulated carrier systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
본 발명은 기계 학습 기반의 분류기(인공 신경망 모델)을 이용하여 다수의 변조 신호들의 변조 방식을 분류함에 있어서, 상기 분류기는 하나의 샘플링 주파수로 샘플링된 I/Q 데이터들을 입력 데이터로 이용하여 변조 신호들의 변조 방식을 분류함으로써, 변조 신호를 신속하게 분류할 수 있다.
Description
본 발명은 기계 학습 기술을 이용하여 변조 방식을 분류하는 기술에 관한 것이다.
무선 신호의 변조 방식 인식 기술은 전파 감시 분야에서 불법 신호(unwanted/unlicensed signal)를 탐지하는데 널리 활용되고 있다.
이러한 무선 신호의 변조 방식(modulation type)을 인식하기 위해, 현재 음성 인식과 자연어 처리 기술 등 연속적인 데이터를 분류하는 데에 널리 알려진 기계 학습 기반의 인공 신경망 모델을 이용하여, 무선 신호의 변조 방식을 분류하는 기술이 개발된 바 있다.
무선 신호의 변조 방식을 분류하는데 사용되는 종래의 인공 신경망 모델은 무선 신호의 동상 성분(In-phase component)을 갖는 I 데이터와 직각 위상 성분(Quadrature- phase component)을 갖는 Q 데이터를 입력 데이터로 사용하여 무선 신호의 변조 방식을 인식한다.
한편, 원래의 무선 신호를 복원(restoring)하기 위해 널리 알려진 나이퀴스트(Nyquist) 샘플링 이론에 따르면, 원래의 무선 신호는 그 신호가 갖는 최대 주파수 대역폭(bandwidth)의 2배 이상으로 샘플링(sampling)되어야 한다.
주파수 대역폭이 서로 다른 무선 신호들을 복원하기 위해서는 서로 다른 다수의 샘플링 주파수가 필요하다. 이때, 수신기는 특정 샘플링 주파수에서 다른 특정 샘플링 주파수로 스위칭(switching, 전환) 하는 동작 때문에, 무선 신호로부터 서로 다른 샘플링 주파수로 샘플링된 I/Q 데이터를 획득하는 속도가 느려질 수밖에 없다. 그로 인해 신호의 신속한 분류가 필요한 전파 감시 현장(site)에서는 그 효과가 반감된다.
원래 무선 신호의 파형을 정확하게 복원하는 것이 아니라 I/Q데이터로부터 얻은 특징을 입력데이터로 이용하는 인공 신경망 모델을 통해 무선 신호의 변조 형식을 분류(classification)하는 것이 목적이라면, 그 무선 신호가 갖는 특징의 차이만을 인식하는 것으로도 충분하다.
따라서, 무선 신호마다 다른 샘플링 주파수를 사용하지 않고 하나의 표본화 주파수(이하, 단일 표본화 주파수)를 사용하면, 해당 무선 신호의 변조 방식을 신속하게 인식할 수 있을 것이다.
그러나 아직까지 단일 샘플링 주파수로 샘플링 된 I/Q 데이터를 사용하여 변조 방식을 분류하는 인공 신경망 모델에 대한 연구는 미흡한 실정이다.
상술한 문제점을 해결하기 위한 본 발명의 목적은 분류 대상 신호의 변조 방식을 예측하기 위해 상기 분류 대상 신호의 단일 샘플링 주파수를 결정하기 위한 방법을 제공하는 데 있다.
본 발명의 다른 목적은 다중 주파수 환경에서 상기 단일 샘플링 주파수로 샘플링된 분류 대상 신호를 이용하여 변조 방식(modulation mode, modulation scheme, modulation pattern 또는 modulation type)을 예측하기 위한 방법 및 장치를 제공하는 데 있다.
본 발명의 전술한 목적 및 그 이외의 목적과 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부된 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다.
상술한 목적을 달성하기 위한 본 발명의 일면에 따른 단일 샘플링 주파수를 이용하여 분류 대상 신호의 변조 방식을 분류하기 위한 방법은, 수신 장치에서, 단일 샘플링 주파수를 이용하여 분류 대상 신호의 변조 방식을 분류하기 위한 방법으로서, 전처리기가, 송신 장치로부터 수신된 상기 분류 대상 신호로부터, 단일 샘플링 주파수로 샘플링된 동상 성분(In-phase component)의 I 데이터와 직각 위상 성분(Quadrature- phase component)의 Q 데이터를 추출하는 단계; 및 기계 학습 방법에 따라 학습된 분류기가, 상기 추출한 I 데이터 및 Q 데이터의 특징을 분석하여, 상기 분류 대상 신호의 변조 방식을 분류하는 단계를 포함한다.
실시 예에서, 상기 추출하는 단계는, 상기 송신 장치와 상기 수신 장치의 무선 통신에서 사용가능한 대역폭 값들을 획득하는 단계; 상기 대역폭 값들의 평균 값을 계산하는 단계; 상기 대역폭 값들과 상기 평균 값에 대한 분산 값을 계산하는 단계; 상기 계산한 분산 값을 상기 단일 샘플링 주파수로 결정하는 단계; 및 상기 결정된 단일 샘플링 주파수를 기반으로 상기 I 데이터와 상기 Q 데이터를 추출하는 단계를 포함한다.
실시 예에서, 상기 대역폭 값들의 평균 값을 계산하는 단계는, 상기 대역폭 값들이 정규 분포 특성을 갖도록 상기 대역폭 값들에 상기 계산된 평균 값을 추가하는 방식으로 상기 대역폭 값들의 개수를 늘리는 단계이다.
실시 예에서, 상기 추출하는 단계 이전에, 상기 기계 학습 방법을 이용하여 분류기를 학습시키는 단계를 더 포함하고, 상기 분류기를 학습시키는 단계는, 상기 단일 샘플링 주파수로 샘플링된 상기 I 데이터와 상기 Q 데이터를 포함하는 훈련 데이터를 이용하여 상기 분류기를 학습시키는 단계이다.
실시 예에서, 상기 단일 샘플링 주파수는 상기 송신 장치와 상기 수신 장치의 무선 통신에서 사용가능한 대역폭 값들과 상기 대역폭 값들의 평균 값을 이용하여 계산된 분산 값이다.
본 발명의 다른 일면에 따른 분류 대상 신호의 변조 방식을 예측하기 위해 상기 분류 대상 신호의 단일 샘플링 주파수를 결정하기 위한 방법은, 송신 장치와 상기 수신 장치의 사이의 무선 통신에서 사용 가능한 복수의 대역폭 값들을 획득하는 단계; 상기 복수의 대역폭 값들에 대한 평균 값 및 표준 편차 값을 계산하는 단계; 상기 대역폭 값들, 상기 평균 값 및 상기 표준 편차 값에 대한 분산 값을 계산하는 단계; 및 상기 계산한 분산 값을 상기 단일 샘플링 주파수로 결정하는 단계를 포함한다.
실시 예에서, 상기 대역폭 값들의 평균 값 및 표준 편차 값을 계산하는 단계는, 상기 대역폭 값들이 정규 분포 특성을 갖도록 상기 대역폭 값들 외에 상기 계산된 평균 값과 상기 표준 편차 값을 더 생성하여, 상기 대역폭 값들의 개수를 늘리는 단계이다.
본 발명의 다른 일면에 따른 장치는 단일 샘플링 주파수를 이용하여 분류 대상 신호의 변조 방식을 분류하기 위한 수신 장치로서, 송신 장치로부터 수신된 상기 분류 대상 신호로부터, 단일 샘플링 주파수로 샘플링된 동상 성분(In-phase component)의 I 데이터와 직각 위상 성분(Quadrature- phase component)의 Q 데이터를 추출하는 전처리기; 및 상기 추출한 I 데이터 및 Q 데이터의 특징을 분석하여, 상기 분류 대상 신호의 변조 방식을 분류하는 분류기를 포함한다.
실시 예에서, 상기 전처리기는, 상기 송신 장치와 상기 수신 장치의 무선 통신에서 사용가능한 대역폭 값들의 평균 값을 계산하는 제1 계산기; 상기 대역폭 값들과 상기 평균값에 대한 분산 값을 계산하는 제2 계산기; 및 상기 분산 값을 상기 단일 샘플링 주파수로 결정하고, 상기 결정된 단일 샘플링 주파수로 샘플링된 상기 I 데이터와 상기 Q 데이터를 추출하는 추출기를 포함한다.
실시 예에서, 상기 전처리기는, 상기 송신 장치와 상기 수신 장치의 무선 통신에서 사용가능한 대역폭 값들의 평균 값 및 표준 편차 값을 계산하는 제1 계산기; 상기 대역폭 값들, 상기 평균값 및 상기 표준 편차 값에 대한 분산 값을 계산하는 제2 계산기; 및 상기 분산 값을 상기 단일 샘플링 주파수로 결정하고, 상기 결정된 단일 샘플링 주파수로 샘플링된 상기 I 데이터와 상기 Q 데이터를 추출하는 추출기를 포함한다.
실시 예에서, 상기 분류기는, 상기 단일 샘플링 주파수로 샘플링된 상기 I 데이터와 상기 Q 데이터를 포함하는 훈련 데이터를 이용하여 기계학습을 기반으로 학습된 것이다.
실시 예에서, 상기 기계학습은 지도 학습이다.
실시 예에서, 상기 분류기에 의해 분류된 상기 분류 대상 신호의 변조 방식에 따라 상기 분류 대상 신호에 대한 복조를 수행하는 복조기를 더 포함한다.
본 발명에 따르면, 다중 주파수 환경에서 단일 샘플링 주파수로 샘플링 된 I/Q 데이터를 훈련 데이터로 이용하여 기계 학습 기반으로 학습된 분류기를 통해 다수의 변조 신호들의 변조 방식을 분류(인식 또는 예측)함으로써, 다수의 변조 신호들 각각의 변조 방식을 신속하게 분류(인식 또는 예측)할 수 있다.
도 1은 본 발명의 실시 예에 따른 다수의 변조 신호들의 변조 방식을 분류함에 있어서 단일 표본화 주파수를 결정하기 위한 방법을 설명하기 위한 개념도이다.
도 2는 본 발명의 실시 예에 따른 단일 샘플링 주파수로 샘플링된 분류 대상 신호의 변조 방식을 예측하기 위한 장치를 나타내는 블록도이다.
도 3은 도 2에 도시한 전처리기의 내부 구성을 개략적으로 도시한 블록도이다.
도 4는 본 발명의 실시 예에 따른 단일 샘플링 주파수로 샘플링된 분류 대상 신호의 변조 방식을 예측하기 위한 방법을 나타내는 흐름도이다.
도 5는 도 4에 도시한 S410의 상세 흐름도이다.
도 2는 본 발명의 실시 예에 따른 단일 샘플링 주파수로 샘플링된 분류 대상 신호의 변조 방식을 예측하기 위한 장치를 나타내는 블록도이다.
도 3은 도 2에 도시한 전처리기의 내부 구성을 개략적으로 도시한 블록도이다.
도 4는 본 발명의 실시 예에 따른 단일 샘플링 주파수로 샘플링된 분류 대상 신호의 변조 방식을 예측하기 위한 방법을 나타내는 흐름도이다.
도 5는 도 4에 도시한 S410의 상세 흐름도이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, 도면을 참조하여 본 발명의 실시 예에 따른 실시 예에 대해 상세히 설명하기로 한다.
먼저, 다수의 변조 신호들을 변조 방식을 분류함에 있어서 단일 표본화 주파수를 결정하기 위한 방법론을 소개한 후, 이러한 기술적 원리가 적용된 본 발명의 실시 예에 대해 상세히 설명하기로 한다.
도 1은 본 발명의 실시 예에 따른 다수의 변조 신호들의 변조 방식을 분류함에 있어서 단일 샘플링 주파수를 결정하기 위한 방법을 설명하기 위한 개념도이다.
도 1을 참조하면, 통계분석(statistical analysis)에 있어 표본(sample)의 개수가 충분하다면 그 표본 데이터(sample data)의 확률변수(random variable)는 통상적으로 정규 분포(normal distribution)의 형태를 갖는다.
표본의 수가 적다면 표본 데이터와 연관성이 있는 데이터를 추가하여 데이터의 집중도(centralization)를 나타내는 매개변수(parameter)인 첨도(kurtosis) 및 대칭(symmetry)을 벗어난 정도를 보여주는 왜도(skewness)의 제어를 통해 표본이 정규분포에 가까운 형태가 되도록 만들어 주는 것이 필요하다
특히, 데이터의 표준편차(standard deviation)은 데이터의 불규칙성, 변동성, 불확실성, 퍼진(분산) 정도에 대한 많은 정보를 담고 있다.
도 1에 도시된 바와 같이, 3개의 데이터를 갖는 표본을 공간(10)에서 표현할 때, 표준 편차는 좌표의 두 지점들(A 및 D) 사이의 최단 거리(12)를 의미한다.
도 1의 공간(10) 상에서 최단 거리(12)를 나타내는 표준 편차는 아래의 [수학식 1]로 나타낼 수 있다.
물론 도 1에서 A 지점으로부터 D 지점까지 도달하는 경로는 지점 B 지점과 C 지점을 경유하는 경로(A→B→C→D)와 오직C지점만을 경유하는 경로(A→C→D)도 있을 수 있지만, A 지점과 D 지점을 직접 연결하는 경로(A→D)가 최단 경로이다.
다시 말해, 표준편차는 다수 개의 값들 각각으로부터 최소의 거리만큼 떨어져 있음을 의미한다.
본 발명에서는 샘플링 주파수의 대표값(representative value)을 선정하는 방법으로서, 표본 데이터(샘플링 주파수)가 최대한 정규분포의 특성을 갖도록 분류 대상 신호들(또는 변조 신호들)의 대역폭들 외에 다른 대역폭들의 평균(arithmetic mean) 및/또는 표준 편차를 추가하는 방식으로, 주파수 대역폭의 개수를 증가시킨 후, 이 증가된 주파수 대역폭들에 대한 분산(variance)을 샘플링 주파수의 대표값으로 결정한다. 즉, 본 발명은 심볼(symbol)당 샘플의 수를 증가시키기 위해 표준 편차 대신에 분산을 선택한다.
도 2는 본 발명의 실시 예에 따른 단일 샘플링 주파수로 샘플링된 분류 대상 신호의 변조 방식을 예측하기 위한 장치를 나타내는 블록도이다.
도 2를 참조하면, 본 발명의 실시 예에 따른 장치(200)는 단일 샘플링 주파수로 샘플링된 분류 대상 신호의 변조 방식을 예측하기 위한 장치로서, 예를 들면, 무선 통신 채널(150)을 통해 송신 장치(100)와 무선 통신을 수행하는 수신 장치(200)일 수 있다.
송신 장치(100)는 변조기(110)를 포함하며, 변조기(110)에 의해 변조된 변조 신호를 무선 통신 채널(150)을 통해 수신 장치(200)로 송신한다. 이하, 변조 신호는 '분류 대상 신호(classification target signal)'로 지칭한다.
수신 장치(200)는 무선 통신 채널(150)을 통해 송신 장치(100)로부터 수신된 분류 대상 신호의 변조 방식을 기계학습 기반으로 예측(분류 또는 인식)한다.
이를 위해, 수신 장치(200)는 전처리기(210) 및 분류기(220)을 포함하며, 추가로, 후 처리기(230)를 더 포함할 수 있다. 여기서, 후처리기(230)는, 예를 들면, 상기 분류 대상 신호를 복조하는 복조기일 수 있다.
전처리기(210)는 상기 송신 장치(100)로부터 수신된 상기 분류 대상 신호로부터, 단일 샘플링 주파수(a single sampling frequency)로 샘플링된 동상 성분(In-phase component)의 I 데이터와 직각 위상 성분(Quadrature- phase component)의 Q 데이터를 추출한다.
분류 대상 신호, 즉, 수신된 변조 신호는 수학적 연산 및 하드웨어 설계를 위해 IQ 형식의 복소 신호로 표현된다. 이러한 복소 신호를 직교 좌표를 통해 나타내면, X축은 실수부, Y축은 허수부로 표현된다.
실수부로 표현되는 동상 성분(In-phase component)의 I 데이터는 Acos(θ)로 표현되고, 허수부로 표현되는 직각 위상 성분의 Q 데이터 Asin(θ)로 나타낼 수 있다. 여기서, A는 분류 대상 신호(수신된 변조 신호)의 순간 진폭이고, θ는 분류 대상 신호(수신된 변조 신호)의 위상이다.
분류 대상 신호, 즉, 수신된 변조 신호(s(t))는 아래의 식으로 나타낼 수 있다.
s(t) = (A c + jA s )e j2πft+θ g(t-nT)
여기서, 0 ≤ t ≤ nT이고, Ac와 As는 동상 성분(In-phase component)과 직각 위상 성분(Quadrature- phase component)의 크기이다. g(t-nT)는 샘플링 주파수를 갖는 샘플링 펄스 신호를 나타낸다.
이러한 수학적 연산으로부터 I 데이터와 Q 데이터를 추출할 수 있음은 이미 널리 알려진 내용이며, 본 발명은 분류 대상 신호로부터 I 데이터와 Q 데이터를 추출하는 방법론에 있는 것이 아니라 I 데이터와 Q 데이터가 단일 샘플링 주파수(a single sampling frequency) 기반의 샘플링 과정을 통해 추출된 점에 특징이 있음을 주목해야 한다. 즉, 본 발명은 단일 샘플링 주파수를 결정하는 방법에 있다.
본 발명은, 후술하는 분류기(220)가 변조 신호의 변조 방식을 빠르게 분류(인식 또는 예측)할 수 있는데, 이는 하나의 샘플링 주파수만으로 샘플링된 I 데이터와 Q 데이터의 특징을 분석하기 때문이다.
분류기(220)는 전처리기(210)로부터 입력된 단일 샘플링 주파수로 샘플링된 I/Q 데이터를 입력 데이터로 이용하여 분류 대상 신호의 변조 방식을 분류하도록 학습된 인공신경망 모델일 수 있다. 여기서, 기계학습은, 예를 들면, 지도 학습 또는 RNN(Recurrent Neural Network)이 확장된 LSTM(Long Short-Term Memory)일 수 있다.
즉, 분류기(220)는 상기 단일 샘플링 주파수로 샘플링된 상기 I 데이터와 상기 Q 데이터를 포함하는 훈련 데이터를 이용하여, 지도 학습, RNN(Recurrent Neural Network) 또는 상기 RNN이 확장된 LSTM(Long Short-Term Memory) 기반으로 학습될 수 있다.
이러한 분류기(220)는 단일 샘플링 주파수로 샘플링된 I/Q 데이터의 특징을 분석하여, 인식된 변조 방식에 대한 레이블링 작업을 수행하고, 그 인식된 변조 방식을 나타내는(식별하는) 레이블링 된 데이터를 출력한다.
이하, 도 3을 참조하여, 도 2에 도시한 전처리기에서 수행하는 단일 샘플링 주파수를 결정하는 방법에 대해 상세히 설명하기로 한다.
도 3은 도 2에 도시한 전처리기의 내부 구성을 개략적으로 도시한 블록도이다.
도 3을 참조하면, 전처리기(210)는 샘플링 주파수 결정기(212) 및 I/Q 데이터 추출기(214)를 포함한다.
샘플링 주파수 결정기(212)는 샘플링 주파수의 대표값(representative value), 즉, 단일 샘플링 주파수를 결정하기 위한 장치로서, 제1 계산기(212A) 및 제2 계산기(212B)를 포함한다.
제1 계산기(212A)는 송신 장치(100)와 수신 장치(200)의 무선 통신에서 사용가능한 대역폭 값들의 평균 값 및/또는 표준 편차 값을 계산한다.
평균 값 및/또는 표준 편차 값(standard deviation value)을 계산하는 이유는, 대역폭 값들이 정규 분포(normal distribution) 특정을 갖도록 대역폭 값들의 개수를 늘리기 위함이다.
제2 계산기(212B)는 A, B, C 및 D와 제1 계산기(212A)에 의해 추가된 평규 값() 및/또는 표준 편차 값()에 대한 분산 값(variance value, )을 계산한다.
여기서, 는 늘어난 대역폭 값들(A, B, C, D, m 및 )의 평균 값이다. 분산 값(v)는 대역폭 값에서 평균(m')을 뺀 값을 제곱하고, 그것을 모두 더한 후 전체 개수로 나눠서 구한다. 즉, 분산 값은 차이값의 제곱의 평균이다.
수학식 2 내지 4를 예로 들어 설명한 바와 같이, 샘플링 주파수 결정기(212)는 샘플링 주파수의 대표값을 선정하기 위해, 표본 데이터(대역폭 값들)이 최대한 정규분포 특성을 갖도록 분류 대상 신호들의 대역폭들 외에 대역폭들의 산출 평균(arithmetic mean) 및 표준 편차를 추가하여 표본 데이터(대역폭 값들)의 개수를 늘린 후, 늘어난 표본 데이터(대역폭 값들)의 분산(v)을 대표값, 즉, 단일 샘플링 주파수로 결정한다.
단일 샘플링 주파수가 결정되면, I/Q 데이터 추출기(214)는 분류 대상 신호로부터 상기 결정된 단일 샘플링 주파수로 샘플링된 I/Q 데이터를 추출하고, 추출된 I/Q 데이터를 분류기(220)로 입력한다.
도 4는 본 발명의 실시 예에 따른 단일 샘플링 주파수로 샘플링된 분류 대상 신호의 변조 방식을 예측하기 위한 방법을 나타내는 흐름도이고, 도 5는 도 4에 도시한 S410의 상세 흐름도이다.
아래의 각 단계의 수행 주체는 컴퓨팅 장치일 수 있다. 컴퓨팅 장치는 적어도 하나의 프로세서, 메모리, 저장 매체 및 이들을 연결하는 시스템 버스를 포함할 수 있다. 도 2에 도시된 전처리기 및 분류기가 소프트웨어 모듈로 구현된 경우, 프로세서는, 전처리기 및 분류기의 실행을 제어한다.
먼저, 도 4를 참조하면, S410에서, 전처리기에 의해, 송신 장치로부터 수신된 상기 분류 대상 신호로부터, 단일 샘플링 주파수로 샘플링된 동상 성분(In-phase component)의 I 데이터와 직각 위상 성분(Quadrature- phase component)의 Q 데이터를 추출하는 과정이 수행된다.
이어, S420에서, 기계 학습 방법에 따라 학습된 분류기가, 상기 추출한 I 데이터 및 Q 데이터의 특징을 분석하여, 상기 분류 대상 신호의 변조 방식을 분류(인식 또는 예측)하는 과정이 수행된다.
실시 예에서, 상기 S410이전에, 상기 기계 학습 방법을 이용하여 분류기를 학습시키는 과정이 더 수행될 수 있다. 이때, 상기 분류기를 학습시키는 과정은 상기 단일 샘플링 주파수로 샘플링된 상기 I 데이터와 상기 Q 데이터를 포함하는 훈련 데이터를 이용하여 상기 분류기를 학습시키는 과정일 수 있다. 여기서, 상기 단일 샘플링 주파수는 상기 송신 장치와 상기 수신 장치 사이의 무선 통신 환경(다중 주파수 환경)에서 사용가능한 대역폭 값들과 상기 대역폭 값들의 평균 값을 이용하여 계산된 분산 값일 수 있다.
도 5를 참조하면, S410은, 상기 분류 대상 신호의 대역폭 값들의 평균 값 및/또는 표준 편차값을 계산하는 과정(S411), 상기 대역폭 값들, 상기 평균 값 및/또는 상기 표준 편차 값에 대한 분산 값을 계산하는 과정(S412), 상기 계산한 분산 값을 상기 단일 샘플링 주파수로 결정하는 과정(S414) 및 상기 분류 대상 신호로부터 상기 결정된 단일 샘플링 주파수로 샘플링된 상기 I 데이터와 상기 Q 데이터를 추출하는 과정(S415)을 포함한다.
실시 예에서, 상기 S411은 상기 대역폭 값들이 정규 분포 특성을 갖도록 상기 대역폭 값들 외에 상기 계산된 평균 값(평균 값에 대응하는 대역폭 값) 및/또는 상기 계산된 표준 편차 값(표준 편차 값에 대응하는 대역폭 값)을 생성하여, 상기 대역폭 값들의 개수를 늘리는 과정일 수 있다.
유효성 평가
본 출원인은 대역폭이 각각 0.01, 0.023, 0.025, 0.26, 6, 6[MHz]인 6개의 변조 신호를 대상으로 본 발명의 유효성을 평가하였다. 수학식 2 내지 4와 같이, 6개의 대역폭 외에 추가로 상기 대역폭들의 평균값과 표준 편차값을 계산하여, 대역폭의 수를 늘린 경우, 분산 값, 즉, 대표값은 약 6.8 MHz이다.
아래의 표 1은, 지도학습 모델 중의 하나인 랜덤 포레스트(random forest)를 이용하여 몇 가지 대역폭을 대상으로 수행한 변조 신호의 분류 학습 결과를 나타낸 것이다.
대역폭[MHz] | 학습/테스트 |
1.0 | 0.985/0.905 |
2.0. | 0.990/0.915 |
3.0 | 0.994/0.943 |
5.0 | 0.996/0.968 |
10.0 | 0.995/0.939 |
20.0 | 0.997/0.926 |
예상 대로, 신호 획득에 사용한 장비의 대역폭 설정 규격을 감안했을 때 최적화 및 일반화 측면에서 학습과 테스트율의 차이가 적은 상기 대표값(약 6.8 MHz)에 가장 근접한 5.0MHz일때, 분류 성능이 가장 좋음을 알 수 있다.
변조 신호의 분류를 위해 기계학습을 활용함에 있어서, 분류 대상 신호의 획득시, 사용할 대역폭을 결정하는 방법과 값에 따른 학습률의 차이를 분석하였고, 대역폭을 모르는 임의의 신호에 대해 변조 방식을 예측해야 하는 경우, 본 발명은 매우 유용할 것이다.
본 실시 예에 따른 장치 및 방법은 소프트웨어 모듈 또는 알고리즘으로 구현될 수 있다.
소프트웨어 모듈 또는 알고리즘으로 구현되는 방법들은 프로세서상에서 실행 가능한 컴퓨터가 읽을 수 있는 코드들 또는 프로그램 명령들로서 컴퓨터가 읽을 수 있는 기록 매체 상에 저장될 수 있다.
여기서 컴퓨터가 읽을 수 있는 기록 매체로 마그네틱 저장 매체(예컨대, ROM(read only memory), RAM(random-access memory), 플로피 디스크, 하드 디스크 등) 및 광학적 판독 매체(예컨대, 시디롬(CD-ROM), 디브이디(DVD: Digital Versatile Disc)) 등이 있다. 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템들에 분산되어, 분산 방식으로 컴퓨터가 판독 가능한 코드가 저장되고 실행될 수 있다. 매체는 컴퓨터에 의해 판독가능하며, 메모리에 저장되고, 프로세서에서 실행될 수 있다
또한, 본 실시 예에 따른 장치 및 방법은 도 1 내지 3에 도시한 예와 다르게 다양한 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다.
이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 실시 예는 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩 업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다.
본 발명의 보호범위가 이상에서 명시적으로 설명한 실시예의 기재와 표현에 제한되는 것은 아니다. 또한, 본 발명이 속하는 기술분야에서 자명한 변경이나 치환으로 말미암아 본 발명이 보호범위가 제한될 수도 없음을 다시 한번 첨언한다.
Claims (13)
- 수신 장치에서, 단일 샘플링 주파수를 이용하여 분류 대상 신호의 변조 방식을 분류하기 위한 방법에 있어서,
전처리기가, 송신 장치로부터 수신된 상기 분류 대상 신호로부터, 단일 샘플링 주파수로 샘플링된 동상 성분(In-phase component)의 I 데이터와 직각 위상 성분(Quadrature- phase component)의 Q 데이터를 추출하는 단계; 및
기계 학습 방법에 따라 학습된 분류기가, 상기 추출한 I 데이터 및 Q 데이터의 특징을 분석하여, 상기 분류 대상 신호의 변조 방식을 분류하는 단계
를 포함하는 단일 샘플링 주파수를 이용하여 분류 대상 신호의 변조 방식을 분류하기 위한 방법. - 제1항에서,
상기 추출하는 단계는,
상기 송신 장치와 상기 수신 장치의 무선 통신에서 사용가능한 대역폭 값들을 획득하는 단계;
상기 대역폭 값들의 평균 값을 계산하는 단계;
상기 대역폭 값들과 상기 평균 값에 대한 분산 값을 계산하는 단계;
상기 계산한 분산 값을 상기 단일 샘플링 주파수로 결정하는 단계; 및
상기 결정된 단일 샘플링 주파수를 기반으로 상기 I 데이터와 상기 Q 데이터를 추출하는 단계;
를 포함하는 단일 샘플링 주파수를 이용하여 분류 대상 신호의 변조 방식을 분류하기 위한 방법. - 제2항에서,
상기 대역폭 값들의 평균 값을 계산하는 단계는,
상기 대역폭 값들이 정규 분포 특성을 갖도록 상기 계산된 평균 값을 더 생성하여, 상기 대역폭 값들의 개수를 늘리는 단계인 것인 단일 샘플링 주파수를 이용하여 분류 대상 신호의 변조 방식을 분류하기 위한 방법. - 제1항에서,
상기 추출하는 단계 이전에, 상기 기계 학습 방법을 이용하여 분류기를 학습시키는 단계를 더 포함하고,
상기 분류기를 학습시키는 단계는,
상기 단일 샘플링 주파수로 샘플링된 상기 I 데이터와 상기 Q 데이터를 포함하는 훈련 데이터를 준비하는 단계; 및
상기 훈련 데이터를 이용하여 상기 분류기를 학습시키는 단계
를 포함하는 단일 샘플링 주파수를 이용하여 분류 대상 신호의 변조 방식을 분류하기 위한 방법. - 제4항에서,
상기 단일 샘플링 주파수는
상기 송신 장치와 상기 수신 장치의 무선 통신에서 사용가능한 대역폭 값들과 상기 대역폭 값들의 평균 값에 대한 분산 값인 것인 단일 샘플링 주파수를 이용하여 분류 대상 신호의 변조 방식을 분류하기 위한 방법. - 분류 대상 신호의 변조 방식을 예측하는 분류기를 포함하는 장치에서, 상기 분류기로 입력되는 동상 성분(In-phase component)의 I 데이터와 직각 위상 성분(Quadrature- phase component)의 Q 데이터를 추출하기 위한 단일 샘플링 주파수를 결정하기 위한 방법에 있어서,
상기 분류 대상 신호의 복수의 대역폭 값들에 대한 평균 값 및 표준 편차 값을 계산하는 단계;
상기 대역폭 값들, 상기 평균 값 및 상기 표준 편차 값에 대한 분산 값을 계산하는 단계; 및
상기 계산한 분산 값을 상기 단일 샘플링 주파수로 결정하는 단계
를 포함하는 단일 샘플링 주파수를 결정하기 위한 방법. - 제6항에서,
상기 평균 값 및 상기 표준 편차 값을 계산하는 단계는,
상기 대역폭 값들이 정규 분포 특성을 갖도록 상기 계산된 평균 값에 대응하는 대역폭 값과 상기 표준 편차 값에 대응하는 대역폭 값을 더 생성하여, 상기 대역폭 값들의 개수를 늘리는 단계인 것인 단일 샘플링 주파수를 결정하기 위한 방법. - 단일 샘플링 주파수를 이용하여 분류 대상 신호의 변조 방식을 분류하기 위한 수신 장치로서,
송신 장치로부터 수신된 상기 분류 대상 신호로부터, 단일 샘플링 주파수로 샘플링된 동상 성분(In-phase component)의 I 데이터와 직각 위상 성분(Quadrature- phase component)의 Q 데이터를 추출하는 전처리기; 및
상기 추출한 I 데이터 및 Q 데이터의 특징을 분석하여, 상기 분류 대상 신호의 변조 방식을 분류하는 분류기
를 포함하는 단일 샘플링 주파수를 이용하여 분류 대상 신호의 변조 방식을 분류하기 위한 수신 장치. - 제8항에서,
상기 전처리기는,
상기 송신 장치와 상기 수신 장치의 무선 통신에서 사용가능한 대역폭 값들의 평균 값을 계산하는 제1 계산기;
상기 대역폭 값들과 상기 평균값에 대한 분산 값을 계산하는 제2 계산기; 및
상기 분산 값을 상기 단일 샘플링 주파수로 결정하고, 상기 결정된 단일 샘플링 주파수로 샘플링된 상기 I 데이터와 상기 Q 데이터를 추출하는 추출기
를 포함하는 단일 샘플링 주파수를 이용하여 분류 대상 신호의 변조 방식을 분류하기 위한 수신 장치. - 제8항에서,
상기 전처리기는,
상기 송신 장치와 상기 수신 장치의 무선 통신에서 사용가능한 대역폭 값들의 평균 값 및 표준 편차 값을 계산하는 제1 계산기;
상기 대역폭 값들, 상기 평균값 및 상기 표준 편차 값에 대한 분산 값을 계산하는 제2 계산기; 및
상기 분산 값을 상기 단일 샘플링 주파수로 결정하고, 상기 결정된 단일 샘플링 주파수로 샘플링된 상기 I 데이터와 상기 Q 데이터를 추출하는 추출기
를 포함하는 단일 샘플링 주파수를 이용하여 분류 대상 신호의 변조 방식을 분류하기 위한 수신 장치. - 제8항에서,
상기 분류기는,
상기 단일 샘플링 주파수로 샘플링된 상기 I 데이터와 상기 Q 데이터를 포함하는 훈련 데이터를 이용하여 기계학습을 기반으로 학습된 것인 단일 샘플링 주파수를 이용하여 분류 대상 신호의 변조 방식을 분류하기 위한 수신 장치. - 제11항에서,
상기 기계학습은 지도 학습인 것인 단일 샘플링 주파수를 이용하여 분류 대상 신호의 변조 방식을 분류하기 위한 수신 장치. - 제8항에서,
상기 분류기에 의해 분류된 상기 분류 대상 신호의 변조 방식에 따라 상기 분류 대상 신호에 대한 복조를 수행하는 복조기를 더 포함하는 것인 수신 장치.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210108799A KR20230026776A (ko) | 2021-08-18 | 2021-08-18 | 분류 대상 신호의 변조 방식을 예측하기 위해 상기 분류 대상 신호의 단일 샘플링 주파수를 결정하기 위한 방법, 상기 단일 샘플링 주파수로 샘플링된 분류 대상 신호를 이용하여 변조 방식을 예측하기 위한 방법 및 장치 |
US17/710,625 US11817977B2 (en) | 2021-08-18 | 2022-03-31 | Method of determining single sampling frequency of classification target signal in order to predict modulation type of classification target signal, and method and apparatus for predicting modulation type by using classification target signal sampled with single sampling frequency |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210108799A KR20230026776A (ko) | 2021-08-18 | 2021-08-18 | 분류 대상 신호의 변조 방식을 예측하기 위해 상기 분류 대상 신호의 단일 샘플링 주파수를 결정하기 위한 방법, 상기 단일 샘플링 주파수로 샘플링된 분류 대상 신호를 이용하여 변조 방식을 예측하기 위한 방법 및 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20230026776A true KR20230026776A (ko) | 2023-02-27 |
Family
ID=85288411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210108799A KR20230026776A (ko) | 2021-08-18 | 2021-08-18 | 분류 대상 신호의 변조 방식을 예측하기 위해 상기 분류 대상 신호의 단일 샘플링 주파수를 결정하기 위한 방법, 상기 단일 샘플링 주파수로 샘플링된 분류 대상 신호를 이용하여 변조 방식을 예측하기 위한 방법 및 장치 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11817977B2 (ko) |
KR (1) | KR20230026776A (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056708A (zh) * | 2023-10-11 | 2023-11-14 | 成都大公博创信息技术有限公司 | 一种基于多尺度特征融合和cnn-lstm的ais信号识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100587978B1 (ko) | 2004-11-29 | 2006-06-08 | 한국전자통신연구원 | 위성통신시스템에서 블라인드 변조 분류 장치 및 그 방법 |
KR101675963B1 (ko) | 2012-09-06 | 2016-11-15 | 한국전자통신연구원 | 무선통신 시스템에서의 변조방식 분류 장치 및 방법 |
US9194936B1 (en) * | 2014-07-09 | 2015-11-24 | Deere & Company | Determining location of a receiver with a multi-subcarrier signal |
KR101910540B1 (ko) | 2018-03-14 | 2018-10-22 | 국방과학연구소 | 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식 장치 및 방법 |
US11443167B2 (en) * | 2019-04-12 | 2022-09-13 | Motorola Solutions, Inc. | Systems and methods for modulation classification of baseband signals using multiple data representations of signal samples |
US11558810B2 (en) * | 2021-01-06 | 2023-01-17 | Bae Systems Information And Electronic Systems Integration Inc. | Artificial intelligence radio classifier and identifier |
-
2021
- 2021-08-18 KR KR1020210108799A patent/KR20230026776A/ko not_active Application Discontinuation
-
2022
- 2022-03-31 US US17/710,625 patent/US11817977B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US11817977B2 (en) | 2023-11-14 |
US20230066195A1 (en) | 2023-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021077841A1 (zh) | 一种基于循环残差网络的信号调制识别方法及装置 | |
Oyedare et al. | Estimating the required training dataset size for transmitter classification using deep learning | |
US8233873B2 (en) | Device and methods for enhanced matched filtering based on correntropy | |
CN111428631B (zh) | 无人机飞控信号可视化识别分选方法 | |
WO2020209918A2 (en) | Detection of cyber attacks targeting avionics systems | |
CN111343182B (zh) | 一种基于灰度图的异常流量检测方法 | |
CN112637834B (zh) | 一种无线通信设备的指纹融合识别方法及装置 | |
CN115546608A (zh) | 一种无人机数据链电磁干扰分类和威胁评估方法 | |
Ramasubramanian et al. | Exploiting spatio-temporal properties of I/Q signal data using 3D convolution for RF transmitter identification | |
KR20230026776A (ko) | 분류 대상 신호의 변조 방식을 예측하기 위해 상기 분류 대상 신호의 단일 샘플링 주파수를 결정하기 위한 방법, 상기 단일 샘플링 주파수로 샘플링된 분류 대상 신호를 이용하여 변조 방식을 예측하기 위한 방법 및 장치 | |
Akyon et al. | Classification of intra-pulse modulation of radar signals by feature fusion based convolutional neural networks | |
Nuhoglu et al. | Image segmentation for radar signal deinterleaving using deep learning | |
CN115630276A (zh) | 一种基于YOLOv5的雷达脉内调制类型快速识别方法 | |
CN114867018A (zh) | 利用载波频率偏移的设备识别认证方法、系统及存储介质 | |
KR102014234B1 (ko) | 무선 프로토콜 자동 분석 방법 및 그를 위한 장치 | |
Nguyen et al. | WRIST: Wideband, real-time, spectro-temporal RF identification system using deep learning | |
CN114244594A (zh) | 网络流量异常检测方法及检测系统 | |
JP4056981B2 (ja) | レーダ信号分析装置 | |
KR101300650B1 (ko) | Svm을 이용한 pri 변조형태 인식방법 및 이를 이용한 pri 변조형태 인식장치 | |
GB2600178A (en) | RF fingerprint signal processing device and rf fingerprint signal processing method | |
CN112213697A (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
CN113221863B (zh) | 基于电磁空间周期统计的加密协议识别方法、系统及介质 | |
US20210241074A1 (en) | System for generating synthetic digital data for data multiplication | |
KR101339109B1 (ko) | 채널 분리 측정된 레이더 신호의 펄스 내 변조형태 인식 방법 및 그 장치 | |
CN113030950A (zh) | 一种基于深度学习技术的小型无人机分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal |