이중 경로 심층 잔여 축소 네트워크를 사용한 자동 변조 분류를 위한 경량 심층 학습 모델

효율적인 스펙트럼 활용은 현대 무선 통신 네트워크의 증가하는 데이터 수요를 충족하는 데 필수적입니다. 자동 변조 분류(AMC)는 수신 신호에서 변조 방식을 정확하게 식별하여 스펙트럼 효율성을 향상시키는 데 중요한 역할을 합니다. 이는 특히 인지 라디오(CR) 시스템에서 동적 스펙트럼 할당 및 간섭 완화에 필수적인 기능입니다. IoT 노드와 같은 스마트 엣지 장치의 배포가 증가함에 따라, 낮은 복잡성과 높은 분류 정확성을 균형 있게 유지하는 경량 AMC 모델에 대한 긴급한 필요성이 있습니다. 본 연구에서는 자원 제약이 있는 엣지 장치를 위해 최적화된 저복잡도 경량 심층 학습(DL) AMC 모델을 제안합니다. 효과적인 신호 잡음 제거를 위해 가로트 임계값을 사용하는 이중 경로 심층 잔여 축소 네트워크(DP-DRSN)를 도입하였으며, 오직 27,072개의 학습 매개변수로 구성된 compact hybrid CNN-LSTM 아키텍처를 설계하였습니다. 제안된 모델은 RML2016.10a, RML2016.10b 및 RML2018.01a 데이터셋에서 각각 61.20%, 63.78%, 62.13%의 평균 분류 정확도를 달성하여 모델의 효율성과 분류 성능 간의 강한 균형을 보여주었습니다. 이러한 결과는 자원이 제한된 엣지 장치에서 정확하고 효율적인 AMC를 가능하게 할 수 있는 모델의 잠재력을 강조합니다. 고의적인 컴퓨팅 효율성 강조로 인해 최신 정확도를 초과하지는 않더라도 말입니다.