Multi-Modal Automatic Modulation Recognition Network Based on the Swin Transformer Architecture

현대 전자전에서는 다양한 통신 신호에 대해 높은 인식 정확도를 제공하는 딥러닝 기반 자동 변조 인식에 관한 연구가 활발히 진행되고 있다. 이는 통신 기술의 발전으로 전장의 신호 환경이 점차 복잡해짐에 따라, 수신된 통신 신호의 분석에 많은 어려움이 수반되고 있기 때문이다. 본 논문에서는 1D Swin Transformer 구조를 기반으로 설계된 multi-modal 자동 변조 인식 신경망을 제안한다. 1D Swin Transformer는 계층적 특징 맵과 이동 윈도우 기반 접근을 통해 입력 데이터로부터 다양한 해상도의 특징을 효과적으로 추출한다. 제안하는 모델은 IQ 시계열 신호와 주파수 스펙트럼 정보를 동시에 활용하는 multi-modal 구조로 이루어져 있으며, 각 모달리티의 정보를 추출하여 1D Swin Transformer에 입력함으로써 통합된 특징을 이용하여 변조 기법을 인식한다. 본 논문에서 제안한 모델은 61.15%의 평균 정확도를 기록하여 기존 신경망보다 우수한 성능을 보였다. 또한 QAM 계열 신호에 대해서도 평균 57.00%의 높은 인식 정확도를 달성함으로써, 구조적으로 유사한 변조 신호 간의 구분에서도 강점을 보였다.