자동 변조 분류(AMC, Automatic Modulation Classification)는 현대 무선 통신의 다양한 협력 및 비협력 상황에서 전송 효율과 신뢰도를 극대화하는 데 핵심적인 역할을 하며, 이와 관련하여 딥러닝(Deep learning) 기반의 다양한 연구 결과들이 보고되고 있다. 그러나, 기존 연구들은 주로 동일한 환경의 훈련 및 테스트 데이터를 이용한 분류 성능 개선에 초점을 두고 있으며, 특정 조건에서만 학습된 모델은 수신 신호의 왜곡으로 인한 변화에 민감하여 실제 환경에서 적용이 제한될 수 있다. 본 논문에서는 위상 오프셋(Phase offset)이 존재하는 환경에서 딥러닝 기반 AMC의 분류 성능과 실제 적용 가능성을 분석한다. 위상 오프셋 조건과 변조 방식별 신호 패턴의 구조적 특성을 고려한 광범위한 컴퓨터 모의실험을 통해, 다양한 위상 오프셋을 고려하여 학습한 딥러닝 모델이 실제 환경에서 효용성을 가질 수 있음을 보인다.
Song et al. (Sat,) studied this question.