Modulation classification은 radio communication 분야의 classic 한 ML/AI task 이다. 이는 dynamic spectrum access system, spectrum access regulatory enforcement system, 혹은 다른 수많은 진단 및 모니터링 scenario 하에서 주어진 무선 환경에 대해, 어떤 emitter가 존재하고 이용 가능하며 spectrum을 사용하고 있는지 labeling 하는 중요한 task를 형성한다.
이는 해당 분야에서 전문적인 방법(기존)으로 오래 논의되어 왔기 때문에 ML로 유도한 비전문적인 방법과 비교하는 것은 흥미로운 포인트이고, 비교적 쉽게 새로운 방법에 대해 benchmark하고 이전의 접근법과 비교할 수 있는 task 이다.
저자는 https://github.com/radioML/examples 에 새로운 dataset에 대한 example classifier를 Keras 형식으로 올려놓았다.
RML2016.04 dataset에 대해 VT-CNN2 구조를 최적화시킨 결과인데, 자세한 내용은 링크를 통해 확인하자.
Modulation recognition은 radio에서 단지 하나의 유망한 ML task에 불과하다. 사실 모든 estimation, classification, regression, transformation task는 ML 문제로 다룰 수 있고, 이전의 방법들과 비교하여 장단점을 알아볼 수 있다. 지금까지 검토해 보았지만 여기서 자세히 다루지 않은 다양한 application 들은 다음과 같다.
기존에 존재하던 modulation, mapping, randomization, coding 또는 잘 정의된 다양한 함수 등을 ML을 사용한 근사치로 대체하기 위해 진행하는 black box 신호 처리 성분에 대한 regression 학습.
Channel 변화에 걸친 data bit reconstruction cost와 channel autoencoder를 통해 새로운 무선 channel encoding을 학습하는 End-to-end 통신 시스템.
전체 waveform의 active experimentation 및 조작을 통해 radio search, collaboration, function tuning을 조절하기 위한 강화학습.
Radio spectrum 영역에서의 ML은 매우 흥미로운 주제이다. 우리 주변에 항상 존재하는 spectrum을 이해하고 활용하는 능력을 키우면서, radio data task를 표현하거나 다루고 자동화하는 방법을 개선시킬 수 있는 application은 수없이 많이 존재한다.
한편, GNU Radio와 Python을 기반으로 한 ML tool (TensorFlow etc.)을 같이 사용하면 많은 task들에 대해 좋은 성능을 만들어낼 수 있다.
본 논문에서 저자는 GNU Radio가 known ground truth와 현실적인 channel 가정을 이용하여 ML을 위한 고품질의 reference benchmark dataset을 어떻게 만들어낼 수 있는지 보였다.
Dataset은 다음의 링크를 통해 확인할 수 있다. Pickle file로 되어있는 dataset은 https://www.deepsig.ai/datasets, code로 되어있어 바꿔볼 수 있는 dataset은 https://github.com/radioML/dataset 에서 찾아보자.
O'shea, Timothy J., and Nathan West. "Radio machine learning dataset generation with gnu radio." Proceedings of the GNU Radio Conference. Vol. 1. No. 1. 2016.