공중 무선 신호 분류를 위한 딥러닝 연구

이 논문은 무선 통신 분야에서 스펙트럼 자동 인식과 동적 접근을 가능하게 하는 핵심 기술인 무선 신호(변조) 분류를 딥러닝과 전통적인 통계 기반 방법으로 비교·분석한다. 서론에서는 기존의 손수 설계된 특성(고차 모멘트·주기성 통계)과 SVM·결정 트리 등 저차원 분류기의 한계를 짚으며, 최근 컴퓨터 비전·음성 인식에서 성공을 거둔 딥러닝(특히 CNN·잔차 네트워크)의 특징 학습 능력을 무선 시계열 데이터에 적용하고자 하는 동기를 제시한다. 배경 섹션에서는 두 가지 기준선 방법을 상세히 설명한다. 첫 번째는 고차 모멘트 M(p,q)와 고차 누적량 C(p,q)를 이용해 28개의 통계 피처를 추출하는 과정이며, 이는 신호의 비대칭성·꼬리·주기성 등을 정량화한다. 두 번째는 이러한 피처를 입력으로 하는 XGBoost 기반 그래디언트 부스팅 트리 모델이다. XGBoost는 개별 트리보다 과적합을 억제하고, 피처 중요도 해석이 용이해 전통적 방법의 대표적인 구현체로 선택되었다. 딥러닝 접근법에서는 1D CNN과 Residual Network(RN) 두 가지 아키텍처를 설계한다. CNN은 VGG 스타일을 차용해 3×3 필터와 2×2 풀링을 연속 적용하고, 배치 정규화와 Alpha Dropout을 통해 정규화한다. 입력은 2×1024(I/Q) 실수형 텐서이며, 별도의 전처리 없이 원시 파형을 그대로 사용한다. RN은 스킵 연결을 도입해 깊이 10~12층까지 확장했으며, 이는 다양한 스케일의 특징을 동시에 학습하게 한다. 손실 함수는 범주형 교차 엔트로피이며, Adam 옵티마이저로 학습한다. 데이터셋 구축은 논문의 핵심 기여 중 하나이다. 24종의 아날로그·디지털 변조를 포함해 두 가지 데이터셋을 만든다. “Normal” 데이터셋은 11종(OOK, 4ASK, BPSK 등)으로 저정보량 변조만 포함해 비교적 쉬운 분류 문제를 제공한다. “Difficult” 데이터셋은 24종(256‑QAM, 256‑APSK 등)으로 고차 변조와 복합 변조를 포함해 실제 위성·광대역 시스템을 모사한다. 각 샘플은 1024개의 복소수 시점으로 제한되며, 채널 파라미터(캐리어 주파수 오프셋, 심볼 레이트 오프셋, 딜레이 스프레드, 화이트 노이즈)를 무작위로 추출해 다양한 전파 환경을 시뮬레이션한다. 레일리 페이딩 프로파일은 0~2 µs 지연 스프레드를 갖는 다중 경로 모델을 사용한다. 시뮬레이션 실험에서는 SNR을 −20 dB부터 +30 dB까지 변화시키며, 각 SNR 구간에서 정확도, 혼동 행렬, ROC 곡선 등을 측정한다. 결과는 다음과 같다. 저 SNR(≤0 dB) 구간에서 CNN은 XGBoost 대비 10~15%p 높은 정확도를 보이며, 특히 “Difficult” 데이터셋에서 고차 변조를 구분하는 능력이 크게 향상된다. RN은 CNN보다 학습 수렴이 빠르고, 깊은 층에서도 성능 저하가 적어 5 dB 이하에서 최적의 정확도를 달성한다. OTA(Over‑the‑Air) 실험에서는 900 MHz ISM 밴드에서 USRP B210 SDR을 이용해 실제 전파 환경을 구축한다. 송신기와 수신기는 각각 독립적인 LO를 사용해 약 2 ppm 수준의 주파수 안정성을 유지한다. 신호는 1 MHz 오프셋을 두고 베이스밴드로 저장되며, 라벨은 송신기에서 직접 부여한다. OTA 결과는 시뮬레이션보다 약간의 성능 저하를 보이지만, 딥러닝 모델이 여전히 전통적 방법보다 우수함을 확인한다. 성능 분석에서는 피처 중요도와 학습된 필터를 시각화해 두 접근법의 차이를 강조한다. 전통적 방법은 C(4,0)·M(4,1) 등 특정 고차 통계량에 크게 의존하지만, 딥러닝은 원시 파형 전체를 활용해 복합적인 시간‑주파수 패턴을 학습한다. 또한 모델 경량화와 실시간 적용 가능성을 논의한다. CNN은 약 1.2 M 파라미터로 FPGA·GPU에서 실시간 추론이 가능함을 보였으며, RN은 약 2 M 파라미터이지만 스킵 연결 덕분에 메모리 접근 효율이 높다. 마지막으로 남은 과제로는 (1) 다중 안테나·MIMO 환경에서의 확장, (2) 라벨이 없는 비지도 학습 기반 사전 학습, (3) 전력·연산 제한이 있는 임베디드 디바이스에서의 최적화 등을 제시한다. 결론에서는 딥러닝 기반 무선 신호 분류가 특히 저 SNR·짧은 관측 구간에서 전통적 통계 기반 방법을 크게 앞선다는 점을 강조하고, 향후 연구 방향과 실용 시스템 설계 시 고려해야 할 요소들을 정리한다.