AIMC-Spec: A Benchmark Dataset for Automatic Intrapulse Modulation Classification under Variable Noise Conditions

1. 연구 배경 및 문제 제기 (Problem)

• 자동 펄스 내 변조 분류 (AIMC) 의 중요성: 전자전 (EW) 및 레이다 신호 분석에서 단일 레이다 펄스 내에 포함된 변조 유형을 식별하는 AIMC 는 필수적인 작업입니다. 이는 복잡한 잡음 환경에서도 신호의 구조를 자동으로 해석하는 데 중요합니다.
• 현재의 한계: AIMC 연구의 발전은 표준화된 공개 데이터셋의 부재로 인해 지연되고 있습니다. 기존 연구들은 대부분 비공개이거나 내부적으로 생성된 데이터를 사용하며, 변조 유형, 신호대잡음비 (SNR) 조건, 전처리 방법 등이 연구마다 상이하여 공정한 비교와 결과의 재현성 (Reproducibility) 을 확보하기 어렵습니다.
• 기존 데이터셋의 문제점: RadarCommDataset, RadChar, RadioML 등 일부 데이터셋이 존재하지만, 이들은 AIMC 특화 과제를 위해 설계되지 않았거나 변조 유형 커버리지가 제한적입니다. 또한, 기존 AIMC-Spec 의 초기 버전은 저장 용량이 500GB 를 초과하여 접근성과 실험 속도를 저해했습니다.

2. 제안된 방법론 및 AIMC-Spec 데이터셋 (Methodology)

이 논문은 AIMC 벤치마킹을 위해 AIMC-Spec이라는 개선된 합성 데이터셋을 소개하고, 이를 기반으로 5 가지 딥러닝 알고리즘을 평가했습니다.

A. AIMC-Spec 데이터셋 특성

• 구성: 30 가지의 서로 다른 펄스 내 변조 유형 (주파수 변조 15 종, 위상 변조 15 종) 을 포함합니다.
• SNR 조건: +6 dB 에서 -6 dB 까지 3 dB 간격으로 총 5 단계의 잡음 조건을 제공합니다.
• 신호 생성:
  • 펄스 폭 (0.5~18 µs), 반송파 주파수 (9.5 GHz 중심, 50 MHz 대역) 등 파라미터를 무작위로 생성하여 다양성을 확보했습니다.
  • AWGN(Additive White Gaussian Noise): 데이터 로딩 시 동적으로 추가하여 실제 환경을 모사하며, SNR 계산은 펄스 자체의 평균 전력만을 기준으로 하여 정확도를 높였습니다.
  • 저장 최적화: 초기 버전의 500GB 이상에서 30GB 미만으로 압축하여 접근성을 개선했습니다.
• 데이터 구조: 훈련용 (약 28GB) 과 테스트용 (약 288MB) 으로 구분되며, 각 변조 유형당 100,000 개의 훈련 신호와 1,000 개의 테스트 신호를 포함합니다.

B. 벤치마킹 알고리즘

AIMC-Spec 의 유틸리티를 입증하기 위해 AIMC 문헌에서 대표성을 띠는 5 가지 딥러닝 아키텍처를 재구현하여 동일한 스펙트로그램 입력 (FFT 기반) 으로 평가했습니다.

1. LDC-Unet: U-Net 구조에 로컬 덴스 연결과 미세 조정된 VGG19 를 결합한 모델.
2. LPI-Net: 모듈형 경량 CNN 으로, CWD(Choi-Williams Distribution) 스펙트로그램을 사용합니다.
3. CDAE-DCNN: 합성곱 제거 오토인코더 (CDAE) 와 DCNN 을 결합하여 잡음을 제거한 후 분류하는 모델.
4. STFT-CNN: 가장 간단한 5 층 CNN 구조로, STFT 스펙트로그램을 사용합니다.
5. ViT (Vision Transformer): 위상 스펙트로그램을 1 차원 패치로 변환하여 트랜스포머 어텐션 메커니즘을 적용한 모델.

C. 실험 설정

• 입력 통일: 모든 모델이 동일한 FFT 기반 스펙트로그램 (Hann 윈도우, 50% 오버랩) 을 입력받도록 하여, 아키텍처 간의 성능 차이를 명확히 분리했습니다.
• 평가 시나리오:
  1. 전체 변조 분류: 30 가지 변조 유형 (FM 및 PM 포함) 을 모두 포함.
  2. FM 전용 분류: 15 가지 주파수 변조 (FM) 유형만 포함 (더 명확한 스펙트럼 특성).

3. 주요 결과 (Results)

• 성능 순위: 모든 SNR 조건과 실험 시나리오에서 LDC-Unet이 가장 높은 정확도를 기록했습니다.
  • 전체 변조 작업에서 평균 정확도 66.91% (SNR -6dB: 57.37% → +6dB: 74.29%).
  • FM 전용 작업에서 평균 정확도 87.95%.
• 모델별 비교:
  • ViT, LPI-Net, CDAE-DCNN이 그 다음 순위를 차지했으나, LDC-Unet 보다 낮은 성능을 보였습니다.
  • STFT-CNN은 가장 낮은 성능 (전체 작업 평균 32.62%) 을 보였으나, 경량 모델로도 의미 있는 분류가 가능함을 입증했습니다.
• SNR 영향: 모든 모델에서 SNR 이 증가함에 따라 정확도가 향상되었으나, 특히 -6dB 에서 0dB 사이에서 성능 향상이 두드러졌습니다.
• FM vs PM: FM 전용 분류가 전체 분류보다 정확도가 훨씬 높았습니다. 이는 위상 변조 (PM) 및 하이브리드 변조 신호가 잡음 하에서 스펙트럼 특성이 겹치고 시각적으로 구별하기 어렵기 때문입니다.
• 아키텍처 분석:
  • LDC-Unet의 우수한 성능은 스킵 연결 (Skip connections) 과 잔여 블록 (Residual blocks) 이 잡음 환경에서도 세밀한 스펙트로그램 특징을 보존하고 재구성하는 능력에서 기인합니다.
  • ViT는 대규모 데이터와 다양한 훈련 데이터가 필요하며, 제한된 데이터 다양성 하에서는 잡음에 민감하게 반응했습니다.
  • CDAE-DCNN은 초기 잡음 제거 단계가 유리했으나, 고주파수 또는 위상 정보가 풍부한 변조에서 과도한 평활화 (Over-smoothing) 로 인해 성능이 급격히 하락했습니다.

4. 주요 기여 (Key Contributions)

1. 표준화된 공개 데이터셋 AIMC-Spec 도입: 30 가지 변조 유형과 5 단계 SNR 을 포함하는 합성 데이터셋을 공개하여 AIMC 연구의 재현성과 공정한 비교를 가능하게 했습니다.
2. 데이터 효율성 개선: 저장 용량을 500GB 이상에서 30GB 미만으로 줄여 접근성을 크게 향상시켰습니다.
3. 포괄적인 벤치마킹: 다양한 아키텍처 (CNN, U-Net, Denoising, Transformer) 를 동일한 입력 조건에서 평가하여, 모델 설계가 잡음 환경에서의 AIMC 성능에 미치는 영향을 체계적으로 분석했습니다.
4. 오픈 소스 제공: 데이터셋과 코드 (Kaggle, GitHub) 를 공개하여 향후 연구의 기반을 마련했습니다.

5. 의의 및 결론 (Significance)

• 연구 표준화: AIMC-Spec 은 AIMC 분야에서 공정한 벤치마킹을 위한 필수적인 표준으로 자리 잡을 것으로 기대됩니다.
• 모델 설계 통찰: 단순히 분류 정확도뿐만 아니라, 잡음 환경에서 어떤 아키텍처가 (예: 스킵 연결을 가진 CNN) 더 강건한지, 그리고 위상 변조와 같은 복잡한 신호를 식별하는 데 어떤 어려움이 있는지 진단하는 도구 역할을 합니다.
• 미래 방향: 향후 데이터셋에는 멀티패스 전파, 페이딩, 펄스 점프 등 실제 레이다 환경의 효과를 추가로 반영하여 더욱 현실적인 평가 환경을 제공할 예정입니다.

이 논문은 AIMC 연구의 투명성과 재현성을 높이고, 다양한 딥러닝 아키텍처가 잡음 하에서 어떻게 작동하는지에 대한 깊은 이해를 제공함으로써 전자전 및 레이다 신호 처리 분야의 발전에 기여합니다.