JSR 기반 동적 게이팅을 활용한 다중모달 GNSS 간섭 분류 네트워크

초록

본 논문은 저 JSR(잡음 대비 간섭 비) 환경에서 성능이 급격히 저하되는 기존 스펙트로그램‑CNN 방식의 한계를 극복하고자, 복소 IQ 신호와 STFT 스펙트로그램을 동시에 입력으로 사용하는 다중모달 구조 JSR‑GFNet을 제안한다. 통계적 신호 지표(왜도, PAPR 등)로부터 추정된 JSR 정보를 기반으로 동적 게이팅 모듈이 각 모달의 가중치를 자동 조절하여 저 JSR에서는 스펙트로그램의 에너지 통합 효과를, 고 JSR에서는 IQ의 위상 정보를 강조한다. 21종의 간섭을 포함한 CGI‑21 데이터셋에서 10‑50 dB 전 범위에 걸쳐 기존 방법보다 높은 정확도를 달성했으며, 게이팅 가중치의 해석을 통해 물리적 직관과 일치함을 확인하였다.

상세 분석

JSR‑GFNet은 두 개의 독립 스트림으로 구성된다. 첫 번째 스트림은 복소값 ResNet‑34를 기반으로 하며, 입력은 복소 IQ 샘플이다. 복소 컨볼루션을 사용함으로써 위상 정보를 손실 없이 보존하고, 고차 디지털 변조(예: 64‑QAM)와 같은 위상‑민감한 간섭을 구분할 수 있다. 두 번째 스트림은 EfficientNet‑B0을 채택한 이미지‑CNN으로, STFT를 통해 얻은 magnitude‑only 스펙트로그램을 입력한다. 이 스트림은 넓은 대역폭의 에너지 분포를 통합해 저 JSR 상황에서 잡음에 묻힌 신호를 시각적으로 강조한다.

핵심은 “동적 게이팅 모듈”이다. 입력 신호의 통계적 특성—예를 들어, 신호의 왜도(Kurtosis), 피크‑투‑평균 전력비(PAPR), 평균 전력—을 추출해 작은 MLP에 전달한다. MLP는 이러한 특징을 바탕으로 두 스트림의 출력에 대한 스칼라 가중치 α_IQ와 α_STFT를 생성한다. 가중치는 soft‑max 형태로 정규화돼 합이 1이 되며, 학습 과정에서 JSR에 따라 자동으로 변한다. 즉, JSR이 낮을수록 α_STFT가 커져 스펙트로그램에 의존하고, JSR이 높을수록 α_IQ가 커져 위상 정보를 우선한다. 이 설계는 물리적 직관과 일치하며, 고정된 가중치로는 달성할 수 없는 적응성을 제공한다.

데이터셋 CGI‑21은 21개의 실제 GNSS 간섭 유형(연속파, 펄스, 주파수 스윕, 고차 QAM, BPSK 등)을 포함하고, 각 유형마다 2,000개의 독립 realizations와 21개의 JSR 레벨(10 dB~50 dB)을 시뮬레이션해 총 880,000개 샘플을 만든다. 이는 기존 공개 데이터셋보다 규모와 다양성이 크게 향상된 점이다. 실험에서는 단일 모달(ResNet‑IQ 또는 EfficientNet‑STFT)과 기존 CNN‑Fusion(고정 가중치) 대비 평균 정확도 4.8%7.2% 향상을 기록했으며, 특히 10 dB20 dB 구간에서 12% 이상의 절대 정확도 상승을 보였다.

해석 측면에서는 Grad‑CAM 및 SHAP을 이용해 각 스트림의 중요 영역을 시각화했으며, 동적 게이팅 가중치가 JSR 변화에 따라 일관되게 전환되는 것을 확인했다. 이는 “저 잡음에서는 에너지 통합, 고 신호‑대‑잡음 비에서는 위상 정밀도”라는 전통적인 신호 처리 직관을 신경망이 학습했다는 강력한 증거다.

전반적으로 JSR‑GFNet은 물리‑기반 통계 정보를 활용해 다중모달 딥러닝의 융합 문제를 해결하고, GNSS 수신기의 인지형 안티‑재밍 시스템에 실시간 적용 가능한 정확도와 해석 가능성을 동시에 제공한다.