왜곡 보정 모듈을 활용한 변조 인식 성능 향상

본 논문은 인지 라디오 환경에서 스펙트럼 센싱을 수행할 때 필수적인 변조 인식 과제를 다룬다. 기존 연구들은 CNN을 활용해 높은 정확도를 달성했지만, 무선 채널이 신호에 부여하는 캐리어 주파수 오프셋(CFO)과 위상 잡음 같은 왜곡을 직접 보정하지는 못했다. 이러한 한계를 극복하고자 저자들은 ‘왜곡 보정 모듈(CM)’을 설계하였다. CM은 두 단계로 구성된다. 첫 번째 단계는 완전 연결 신경망(FCN)으로, 128개의 복소수 샘플을 입력받아 80개의 은닉 뉴런을 거쳐 두 개의 선형 출력 ω(주파수 오프셋)와 φ(위상 오프셋)를 추정한다. 이때 활성함수는 선형을 사용해 파라미터가 실수값 전체를 탐색하도록 했다. 두 번째 단계는 추정된 ω와 φ를 이용해 수신 신호 xₙ을 e^{‑jωn‑jφ}와 곱함으로써 역변환을 수행한다. 이 연산은 미분 가능하므로 역전파 과정에서 gradient가 그대로 전파될 수 있다. CM은 K+1개의 변형 신호를 동시에 CNN에 전달할 수 있도록 설계했지만, 실험 결과 K=1(원본 신호와 보정된 신호 한 쌍)에서 가장 높은 정확도를 얻었다. 따라서 최종 CM 출력은 128×4(실부·허수부 두 채널, 원본·보정) 형태가 된다. CNN 부분은 기존 연구와 동일한 구조를 유지한다. SNR이 0 dB 이상인 경우 4계층 CNN, 이하인 경우 3계층 CNN을 사용했으며, 각 계층은 1‑차원 컨볼루션 필터 50개(크기 1×8)를 포함한다. 중간에 max‑pooling을 적용하고, 마지막에는 512개의 완전 연결 뉴런과 11개의 소프트맥스 출력(모듈레이션 클래스)을 둔다. 학습 과정은 전체 파이프라인을 하나의 그래프로 취급하고, 변조 라벨만을 손실 함수에 사용한다. 즉, CFO와 위상 오프셋에 대한 별도 라벨이 필요 없으며, ‘비지도’ 형태로 파라미터를 추정한다. 역변환 연산과 FCN 모두 미분 가능하므로, 손실의 gradient가 CNN → 역변환 → FCN 순으로 전파되어 각 파라미터가 동시에 최적화된다. 실험은 RadioML2016.10a 데이터셋(11종 아날로그·디지털 변조, SNR −20 dB~+18 dB)을 사용했다. 동일한 데이터와 동일한 CNN·CLDNN 베이스라인을 재현한 뒤, CM을 추가한 CM+CNN을 평가하였다. 주요 결과는 다음과 같다. 1. 전반적인 정확도가 기존 CNN 대비 평균 ≈ 5 %p 상승했으며, 특히 SNR > 0 dB 구간에서 큰 폭의 향상이 관찰되었다. 2. SNR < −14 dB에서는 모든 방법이 거의 무작위 수준이었지만, CM+CNN이 약간의 개선을 보였다. 3. 주파수만 보정, 위상만 보정, 두 가지 모두 보정했을 때의 정확도 향상을 별도 분석했으며, 두 파라미터를 동시에 보정했을 때 가장 큰 이득을 얻었다. 4. 추정된 CFO 값의 표준편차가 채널 모델에서 설정한 0.01 Hz와 거의 일치함을 확인했으며, 위상 보정값은 150°~270° 사이에 집중되는 분포를 보였다. 혼동 행렬 분석에서는 양수 SNR 구간에서 QAM16과 QAM64 사이의 혼동이 주된 오류 원인으로 나타났으며, 이는 128 샘플이라는 제한된 관측 길이로 고차원 QAM 신호의 특징을 완전히 포착하기 어려워 발생한 것으로 해석된다. 음수 SNR 구간에서는 전반적인 혼동이 증가했지만, CM을 적용한 경우 여전히 베이스라인보다 낮은 오류율을 유지하였다. 본 논문의 핵심 기여는 (i) 무선 채널 왜곡을 직접 학습 가능한 형태로 모델링한 점, (ii) 별도 라벨 없이 엔드‑투‑엔드 학습이 가능하도록 설계한 점, (iii) 기존 CNN 구조를 그대로 활용하면서도 실질적인 성능 향상을 달성한 점이다. 또한, 공간 변환 네트워크(STN)의 아이디어를 신호 처리 분야에 확장한 첫 사례 중 하나로, 향후 오디오·음성 신호의 왜곡 보정이나 다른 통신 시스템에서도 유사한 모듈을 적용할 가능성을 제시한다.