레이더 신호 인식을 위한 CNN 설계

분석 논문 : Xuezhong Wang(2021), "Electronic radar signal recognition based on wavelet transform and convolution neural network", Alexandria Engineering Journal 61. 

 

CNN을 이해하기 위한 기본적인 개념

 

Layer

- 2개의 인접 노드는 Convolution Layer와 Pooling Layer로 번갈아 구성된다. 마지막은 Fully Connection Layer

 

Convolution Layer

- feature(특징. 피처)를 추출하는 계층으로, upper layer의 input에 대한 sliding window 합성곱을 함으로서,

각 convolution kernel이 local feature을 추출하도록 만든다. 

- Convolution 기능은 뉴런 구조의 전달 함수와 유사하고, 다른 convolution window가 다른 local feature 추출 가능

 

Pooling Layer

- feature을 mapping하는 레이어로, Convolution layer에서 추출한 특징의 크기를 줄이는 기능을 한다.

위에서 추출한 data features을 classifier로 바로 보내 학습시키면, feature의 dimension이 너무 높아짐. 복잡해진다는 뜻

이 경우 중복 정보도 많이 포함되기 때문에 이를 해결하기 위해 pooling 계층이 필요.

 

- 종류는 두 가지, Max & Average

Max pooling은 maximum aggregation statistics이 사용되며, Average는 mean aggregation statistics 사용.

Mean Aggregation Statistics은 특징점의 평균값을 구하는 건데, 주요 가중치를 갖는 value의 특성이 희미해질 수 있는 문제로 인해 Max pooling이 많이 사용됨. 

 

Fully Connection Layer

- 앞 네트워크 계층에서 얻은 특징을 분류하고, 인식하는 기능을 한다.

 

 

Activation Function

- 비선형 모델링 기능을 제공하는 함수. 단순히 위 layer들로 구성한 CNN은 선형 매핑만 표현할 수 있는데,

실제 환경에서는 비선형 분포 데이터를 모델링 해야하는 경우가 훨씬 많음.

(일반적인 활성화 함수들 : Sigmoid function, Tanh function, ReLu function )

 

ReLu function

- Sigmoid, Tanh 함수와 달리, 선형 불포화, 빠른 수렴 속도, 간단한 구현 및 복잡한 계산이 필요 없음.

 

 

SoftMax

- SoftMax 함수는 최종 ouput layer에 사용되는데, 이는 입력받은 값을 모두 0~1 사이의 값으로 정규화한다.

이를 통해 이미지가 각 label에 속할 확률값이 label 마다 각각 출력되고, 이 중 가장 높은 확률값을 가지는 label이 최종 예측치로 선정됨.

 

 

구조 순서 Convolution Layer - ReLu Function (Activation) - Pooling Layer - Fully Connected Layer - SoftMax

---

레이더 신호 인식을 위한 CNN 설계

 

1. CNN scale 결정

- Radar emitter 신호는 현실에서 굉장히 작기 때문에 network over fitting 현상이 나타날 수 있어, 복잡한 CNN은 X

 

2. CNN 계층 설계 (3 convolution, 2 pooling, 2 fully connected layers)

- radar radiation source signal data size = 32*32

- convoluation neural network는 신호의 구별 특징을 추출하여, 인식률을 향상시킬 수 있음. 

 

각 계층의 세팅

Convolution Layer

Kernel Size는 홀수여야함. 초기 특징 추출을 기반으로 더 자세한 특징을 추출하고, 커널 크기 5*5로 설정

(커널 수가 너무 작으면 일부 특징을 학습할 수 없어 과소 적합이 발생. 너무 많으면 샘플이 희박해져 과대 적합 발생)

컨볼류션 layer이 뒤로 갈 수록 커널 수는 많아짐. So, 3개 layer의 core 수는 각각 32, 64, 64로 설정

 

Activation Function

ReLu 함수를 사용. 

 

Pooling Layer

코어의 크기가 너무 크면 데이터 정보가 손실되어 알고리즘 성능이 저하됨. 따라서, 풀링된 코어의 크기 2*2로 설정

 

Number of Network Parameter 

각 레이더 신호 샘플의 특성이 32*32보다 적고, cnn 구조의 매개변수가 너무 많으면 과적합 문제 발생함.

네트워크 parameter 수는 전체 연결 계층의 뉴런 수에 따라 달라짐. 128로 설정. 

 

3. CNN 훈련 과정

[1] 낮은 level에서 높은 level로 샘플 데이터 전파 (순방향)

[2] 예상값 & 결과값 오차 높은 level to 낮은 level로 전파 (역전파)

 

a. 네트워크 구조 파라미터가 초기화됨. 가중치 무작위로 초기화

b. 순방향 전파 : 입력 샘플 데이터에 대해 각 neuron layer의 출력값이 입력 layer to 출력 layer로 계산됨

c. 역전파 : 네트워크 출력 값과 목표 값 사이의 오차를 계산.

오차가 예상치보다 크면, 첫번째 hidden layer로 재전달. 작으면 학습 종료

d. 계산된 오차에 따라 네트워크 가중치를 업뎃한 후 두 번째 단계로 돌아감. 

 

4. 신호 인식의 실험적 분석

생성 레이더 신호의 변조 모드 CW, LFM, BPSK, bfsk4 유형

반송파 주파수 범위는 <= 1GHz에 집중. 

 

측정된 레이더 데이터 - 10가지 유형의 레이더 개체가 포함됨.

각 유형의 펄스 수 {80, 63, 69, 59, 69, 72, 54, 45, 71, 83}으로 665개의 펄스 존재.

펄스 신호는 단일 주파수 신호이며, 펄스 폭은 약 400개의 샘플링 포인트.  SNR 약 10db ~ 20db

펄스 신호에는 다중 경로 간섭이 없고, 펄스 앞뒤 가장자리가 가파르며 펄스 폭이 동일

 

전자 레이더의 측정된 신호 그룹을 추출하여 분석 및 인식 과정을 시각화한다. 

Wavelet Transform : 측정된 데이터의 노이즈 제거 & 특징 추출에 사용

Signal Envelope & 주파수 도메인 Features : 시각화에 사용

 

*Accurate carrier frequency estimation of emitter signal - 주파수 domain에서 개별 피처를 추출하는 또 다른 방법

 

 

 

참고 

https://www.sciencedirect.com/science/article/pii/S1110016821006049