Automatic Modulation Recognition of Swin Transformer Using Multimodal Information = 멀티 모달 정보를 활용한 Swin Transformer 기반 자동변조인식

국문 초록 (Abstract)

현대 전자전 환경에서는 통신 기술의 고도화로 인해 전장에서 관측되는 신호양과 형태가 급격히 증가하고 있으며, 이로 인해 수신 신호를 정확히 분석하는 일이 점점 더 어려워지고 있다. 또한 민수 분야의 무선 통신 분야에서는 수신 신호의 변조 기법을 분석하여 스펙트럼 모니터링과 같은 분야에 사용하고자 한다. 이러한 배경에서 다양한 통신 신호를 높은 정확도로 식별하기 위한 딥러닝 기반 자동 변조 인식 기법이 활발히 연구되고 있다. 본 논문에서는 1차원 Swin Transformer 구조를 토대로 한 다중 모달리티 자동 변조 인식 신경망을 제안한다. 1D Swin Transformer는 계층적으로 구성된 특징 맵과 이동 윈도우 기반 self-attention을 활용하여, 입력 신호로부터 서로 다른 해상도의 유용한 특징을 효율적으로 추출한다. 제안하는 네트워크는 IQ 시계열 신호와 주파수 영역 스펙트럼을 동시에 입력으로 사용하는 다중 모달 구조로 설계되었으며, 각 모달리티에서 개별적으로 특징을 추출한 뒤 이를 1D Swin Transformer에 결합하여 통합 표현을 형성하고, 이를 바탕으로 변조 방식을 분류한다. 실험 결과, 제안한 모델은 평균 61.45%의 분류 정확도를 달성하여 비교 대상으로 설정한 기존 신경망들보다 우수한 성능을 보였다. 특히 QAM 계열 신호에 대해서는 평균 58.12%의 인식 정확도를 기록함으로써, 파형 구조가 유사한 변조 방식들 사이에서도 효과적인 구분 능력을 지니고 있음을 확인하였다.

다국어 초록 (Multilingual Abstract)

In modern electronic warfare environments, advances in communication technology have led to a rapid increase in both the volume and diversity of signals observed on the battlefield, making accurate analysis of received signals increasingly challenging. In addition, in civilian wireless communication systems, analyzing the modulation schemes of received signals is required for applications such as spectrum monitoring. Against this background, deep learning–based automatic modulation recognition (AMR) techniques that can accurately identify various communication signals have been actively studied.
In this thesis, we propose a multi-modal automatic modulation recognition neural network based on a one-dimensional (1D) Swin Transformer architecture. The 1D Swin Transformer exploits hierarchically structured feature maps and a shifted-window self-attention mechanism to efficiently extract informative features at multiple resolutions from the input signal. The proposed network adopts a multi-modal structure that takes both IQ time-series signals and frequency-domain spectra as inputs. Modality-specific feature extractors are first applied to each input, and the resulting features are then fused and fed into the 1D Swin Transformer to obtain an integrated representation, which is finally used to classify the modulation scheme.
Experimental results show that the proposed model achieves an average classification accuracy of 61.45%, outperforming the baseline neural networks considered for comparison. In particular, it achieves an average accuracy of 58.12% for QAM-family signals, demonstrating strong discriminative capability even among modulation types with similar waveform structures.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• Chapter 2. Automatic Modulation Recognition 5
• 2.1. Likelihood-based Modulation Recognition 5
• 2.2. Feature-based Modulation Recognition 7
• 2.3. Deep Learning-based Automatic Modulation Recognition 8
• 2.3.1. CNN-based AMR 10
• 2.3.2. LSTM-based AMR 15
• 2.3.3. GRU-based AMR 22
• 2.3.4. Transformer-based AMR 24
• 2.3.4.1 Self-attention mechanism 24
• 2.3.4.2 Multi-Head Attention Mechanism 28
• 2.3.4.3 Transformer 31
• 2.3.4.4 Transformer-based Network 33
• Chapter 3. Modulated Signal Representation and Preprocessing 34
• 3.1. Magnitude - Phase (A-) 36
• 3.2. Fourier Transform (FT) 38
• 3.3. Performance Analysis of AMR under Different Preprocessing Methods 40
• Chapter 4. Swin Transformer-based Multimodal Neural Network 44
• 4.1. One-Dimensional Swin Transformer 44
• 4.2. Proposed Model Architecture 49
• 4.3. Experimental Analysis of AMR Performance 51
• 4.3.1. Dataset and Train Parameters 51
• 4.3.2. Performance Analysis 54
• 4.3.3. Ablation Study 59
• Chapter 5. Conclusion and Future Work 62