Enhanced Automatic Modulation Recognition Performance Using ResNet and GAF

자동변조인식(AMR, Automatic Modulation Recognition)은 무선 통신에서 신뢰성과 효율성을 높이는 중요한 기술이다. 최근 AMR 연구는 딥러닝을 활용하여 성능을 개선하는 데 중점을 두고 있으며, 특히 IQ(In-phase and Quadrature) 성상도를 학습 데이터로 사용하는 다양한 딥러닝 모델이 제안되고 있다. 그러나 성상도는 신호의 시간적 특징을 포함하지 못하므로 시계열 데이터 처리가 필수인 AMR에서는 성능 향상에 한계가 있다. 이러한 문제를 해결하기 위해 본 논문은 시계열 데이터의 시간적 특징을 반영할 수 있는 GAF(Gramian Angular Field) 방식을 적용했다. GAF는 신호의 시간적 변화와 패턴을 효과적으로 나타내므로 기존 성상도 기법보다 더 다양한 정보를 제공한다. ResNet(Residual Neural Network) 모델에 GAF를 적용하여 변조를 인식한 결과, 기존 자동변조인식 기법보다 SNR -10dB에서 5dB에서 최소 5%에서 최대 15% 더 높은 정확도를 달성했다.