Study for Machine Learning-based Demodulation Scheme Robust to Electromagnetic Interference

Abstract

전자기 스펙트럼 작전 환경에서는 통신 시스템의 성능 확보를 위해 레이더 간섭을 보상할 수 있는 기술이 필요하다. 본 논문에서는 레이더 펄스 신호가 존재할 때 통신 시스템의 수신기에서 간섭 신호의 영향을 학습하여 오류 발생을 감소시킬 수 있는 기계 학습 기반의 복조 구조를 제안한다. 제안하는 복조기는 심층 신경망을 이용하여 구성되며, 은닉층의 개수와 노드 개수에 따른 심볼 오류율 성능을 분석하여 저복잡도의 복조 신경망 구성 방안을 제시한다. 컴퓨터 시뮬레이션 결과를 통해 간섭 대 신호비가 0.5보다 큰 상황에서 신호 대잡음비 25 dB 기준으로 기존의 최대 우도 복조 방식은 약 10%의 심볼 오류율을 나타내었으나, 제안하는 기계학습 기반 복조는 0.01%의 심볼 오류율을 나타내는 것을 확인하였다.