자동 변조 분류를 위한 계층적 분류 헤드 기반 합성곱 게이트 심층 신경망

자동 변조 분류(AMC)는 수신된 신호의 변조 방식을 선행 지식 없이 식별하여 군사 및 민간 분야에서 중요한 응용을 가능하게 합니다. 딥러닝(DL)의 큰 성공에 영감을 받아, 많은 신경망이 AMC에 도입되었습니다. 분류 성능을 더욱 향상시키기 위해, I/Q, A/P, 별자리 등 다양한 보완 단서가 함께 사용되어 DL 모델의 판별력을 향상시키는데, 여기서는 마지막 층의 출력만 사용됩니다. 본 논문에서는 DL 모델의 서로 다른 층의 출력이 서로 보완적이라는 것을 발견했습니다. 그 결과, 다양한 층의 출력을 활용하여 I/Q 단서만 사용하는 계층적 분류 헤드 기반 합성곱 게이트 심층 신경망(HCGDNN)이 제안됩니다. 제안된 HCGDNN은 세 그룹의 합성곱 신경망(CNN) 블록, 두 그룹의 양방향 게이트 순환 유닛(BiGRU), 그리고 계층적 분류 헤드로 구성됩니다. 장기 단기 기억(LSTM)과 비교하여, BiGRU는 계산 복잡성이 낮고 학습 단계에서 그래디언트 분산 및 폭주를 해소합니다. 계층적 분류 헤드의 도움으로, 수신된 I/Q 신호에 대해 세 그룹의 변조 예측이 이루어집니다. 이후, 다양한 그룹을 융합하기 위한 융합 가중치를 생성하는 새로운 비선형 최적화 융합 방법이 도출되며, 최종 분류 결정을 내립니다. 다양한 단서를 사용하는 AMC 방법들과 비교할 때, 제안된 HCGDNN은 I/Q 단서만 사용하며 계산 오버헤드가 낮습니다. 수치 결과는 새롭게 개발된 HCGDNN이 공공 벤치마크에서 우수한 성능을 달성함을 시사합니다. 다른 연구자들을 돕기 위해, 논문이 출판되면 소스 코드는 GitHub에 업로드될 것입니다.