윤재혁 | Jaehyeok Yoon

SAVOR: Semantic Attribute-Guided Vision-Language Framework for Open-Set Radar Waveform Recognition

Fri, 04 Sep 2026 00:00:00 +0000

상태: Under Revision

의미 속성 기반의 Vision-Language 모델을 활용하여 미확인 레이다 파형을 인식하는 방법을 연구합니다.

연구 실적

Fri, 04 Sep 2026 00:00:00 +0000

연구자 이력

Thu, 03 Sep 2026 00:00:00 +0000

RFNoC/FPGA 기반 LPI 레이다 펄스열 검출 및 분류기 구현

Thu, 01 Jan 2026 00:00:00 +0000

SDR/FPGA 환경에서 저피탐 레이다 신호의 검출 및 분류기를 구현하고 실환경 신호처리 시스템으로 확장합니다.

상태: 게재 확정

Unsupervised Unknown Radar Waveform Detection

Mon, 01 Dec 2025 00:00:00 +0000

사전에 알려지지 않은 레이다 파형을 탐지하기 위해 비지도 학습 기반 잡음 제거 방법을 다룹니다.

High-Accuracy Radar Parameter Estimation Under Low SNR Environments

Wed, 01 Jan 2025 00:00:00 +0000

저 SNR 환경에서 레이다 신호의 주요 파라미터를 고정밀 추정하기 위한 딥러닝 기반 방법을 연구합니다.

Carrier Frequency Estimation of Low SNR Radar Signal Based on Denoising Autoencoder and DBSCAN

Mon, 01 Jul 2024 00:00:00 +0000

저 SNR 환경에서 레이다 신호의 반송파 주파수를 추정하기 위한 신호 처리 및 딥러닝 기반 접근을 다룹니다.

Radar-Camera 기반 스켈레톤 추정

Mon, 01 Jan 0001 00:00:00 +0000

연구 배경과 필요성

RGB-D 카메라는 관절 위치와 자세를 직접 추정할 수 있지만 가림과 조명 변화에 영향을 받습니다. 레이다는 조명과 시야 변화에 비교적 강하고 공간 정보를 제공하지만 포인트 클라우드가 희소합니다. 두 센서의 장점을 결합하면 단일 센서의 한계를 보완하는 인체 모션 인지 연구가 가능합니다.

문제 정의

카메라는 사람의 자세와 관절 위치를 잘 보여주지만 가림과 조명 변화에 취약하고, 레이다는 시야와 조명에 강하지만 포인트 클라우드가 희소합니다. 두 센서의 정보를 같은 좌표계에서 정렬하면 카메라의 자세 정보와 레이다의 공간 정보를 함께 활용할 수 있습니다.

제안 방법

RGB-D 입력→스켈레톤 추정→레이다 포인트 매핑→관절별 특징 추출→모션 인지

RGB-D 프레임에서 인체 스켈레톤을 추정하고 관절별 기준점을 구성합니다.
레이다 포인트 클라우드와 스켈레톤 관절 정보를 정렬해 신체 부위별 포인트 밀도와 공간 특징을 추출합니다.
정렬된 멀티센서 특징을 활용해 인체 모션과 관절 단위 상태를 인지합니다.

실제 검증

RGB-D 카메라와 레이다 포인트 클라우드를 동일 프레임 기준으로 동기화했습니다.
스켈레톤 관절 주변의 레이다 포인트를 매핑하고 관절별 특징을 비교했습니다.
멀티센서 입력을 활용한 인체 모션 인지와 스켈레톤 추출 가능성을 확인했습니다.

주요 결과

스켈레톤 추정포인트 매핑멀티센서 모션 인지

실제 동작, 정답 스켈레톤, 예측 스켈레톤을 비교한 결과

카메라 기반 자세 정보와 레이다 기반 공간 정보를 결합하는 멀티센서 연구를 통해, 단일 센서의 가림·희소성 문제를 보완하는 인체 모션 인지 구조를 검토했습니다.

UWB CIR 기반 NLOS/LOS 분류

Mon, 01 Jan 0001 00:00:00 +0000

연구 배경과 필요성

UWB는 짧은 펄스와 넓은 대역폭을 이용해 정밀한 거리 측정이 가능하지만, 수신기와 송신기 사이에 장애물이 생기면 직접 경로가 가려지고 반사·회절 경로가 우세해질 수 있습니다. 이때 Channel Impulse Response(CIR)의 첫 도달 성분과 에너지 분포가 달라지면서 거리 측정에 편향이 발생합니다.

따라서 UWB 수신 신호를 사용하기 전에 현재 채널이 LOS인지 NLOS인지 판단하는 과정이 필요합니다. CIR에 포함된 시간 지연, 피크 크기, 에너지 분포와 다중경로 구조를 활용하면 채널 상태를 구분하고 NLOS 환경에서 발생하는 측정 신뢰도 저하를 사전에 판단할 수 있습니다.

문제 정의

LOS 환경에서는 직접 경로가 비교적 뚜렷하게 나타나지만, NLOS 환경에서는 벽·차량·건물 등에 의해 직접 경로가 약해지거나 사라지고 반사·회절 성분이 먼저 관측될 수 있습니다. 두 상태의 CIR 형태가 채널과 장애물 조건에 따라 달라지기 때문에 단순한 임계값만으로 모든 환경을 안정적으로 구분하기 어렵습니다.

본 연구의 목표는 UWB CIR에서 채널 상태를 설명하는 특징을 추출하고, 수신 구간을 LOS 또는 NLOS로 분류하는 것입니다. 이 페이지는 UWB 채널 상태 분류에 집중하며, 이후 거리 측정의 신뢰도를 판단하기 위한 전처리 단계로 활용될 수 있습니다.

Concept 그림 1. 장애물과 다중경로에 따라 달라지는 UWB LOS/NLOS 채널 상태와 분류 대상. 직접 경로가 확보된 LOS와 반사·회절 경로가 우세한 NLOS 환경을 구분하는 문제를 보여준다.

제안 방법

UWB 수신→CIR 획득→채널 특징 추출→LOS/NLOS 분류→NLOS detection

CIR 구성 분석: 수신 신호에서 직접 경로와 다중경로가 나타나는 시간·에너지 구조를 확인합니다.
특징 추출: CIR의 도달 시간, 피크, 에너지 분포와 다중경로 형태를 채널 상태 분류를 위한 특징으로 사용합니다.
채널 상태 분류: 수신 구간을 LOS와 NLOS로 구분하고, NLOS 환경에서 발생하는 측정 신뢰도 저하를 식별합니다.
실험 비교: 장애물과 경로 조건이 달라지는 여러 실험 사례에서 분류 성능과 오분류 양상을 비교합니다.

실험 환경과 사례

UWB 송수신기와 기준 노드·태그를 이용해 직접 경로가 확보된 조건과 장애물로 인해 반사·회절 경로가 증가하는 조건을 구성했습니다. 동일한 CIR 기반 처리 흐름으로 각 채널 상태의 특징을 추출하고 LOS/NLOS 분류 결과를 비교했습니다.

실험 사례 1

실험 사례 2

실험 사례 3

실험 사례 4

실험 사례 5

실험 사례 6

장애물과 경로 조건이 달라지는 UWB LOS/NLOS 채널 실험 사례

주요 결과

CIR 특징 추출LOS/NLOS 분류NLOS detection

Result 그림 2. CIR 기반 UWB LOS/NLOS 분류 방법의 성능 비교. 여러 채널 조건에서 LOS와 NLOS를 구분하는 성능을 비교한 결과.

CIR 기반 채널 특징을 이용해 직접 경로가 확보된 LOS와 장애물로 인해 다중경로가 우세한 NLOS를 구분하는 처리 흐름을 구성했습니다. 이를 통해 UWB 거리 측정이나 위치 추정 단계에서 채널 상태를 함께 고려할 수 있는 기반을 마련했습니다.

결론

UWB NLOS/LOS 분류는 정밀한 거리 측정과 위치 추정에 앞서 수신 채널의 신뢰도를 판단하는 핵심 단계입니다. 본 연구는 Channel Impulse Response에 나타나는 직접 경로와 다중경로의 차이를 특징으로 활용해 LOS/NLOS 채널 상태를 분류하고, NLOS 환경에서 발생하는 측정 편향을 식별하는 방법을 검토했습니다.

Publication

Jaehyeok Yoon, Hyeongyun Kim, Dongho Seo, and Haewoon Nam, “Performance Comparison of NLOS Detection Methods in UWB,” International Conference on ICT Convergence (ICTC), Jeju, Korea, Oct. 2021.

Vision-Language 기반 미지 레이더 신호 인식

Mon, 01 Jan 0001 00:00:00 +0000

연구 배경과 필요성

기존 레이다 파형 분류기는 학습 단계에서 모든 waveform class가 미리 정의되어 있다는 closed-set assumption을 사용하는 경우가 많습니다. 그러나 실제 비협조적 수신 환경에서는 새로운 waveform, 변형된 modulation, 학습 데이터에 포함되지 않은 radar emission이 언제든 등장할 수 있습니다.

Closed-set classifier는 unknown waveform이 입력되어도 이를 모르는 신호로 판단하지 못하고, 가장 가까운 known class 중 하나로 강제 분류할 수 있습니다. 특히 저 SNR에서는 noise와 channel distortion 때문에 시간·주파수 구조가 흐려져 known class 간 separability뿐 아니라 known과 unknown의 차이도 작아집니다.

따라서 실제 레이다 인식 시스템에는 known waveform은 정확한 class로 분류하고, 학습하지 않은 waveform은 known으로 오분류하지 않고 unknown으로 reject하는 open-set recognition이 필요합니다.

문제 정의

Reconstruction-based unknown detection은 reconstruction error를 이용해 학습하지 않은 waveform을 구분할 수 있지만, open-set recognition에서는 unknown rejection과 known waveform classification을 동시에 만족해야 합니다. 따라서 시스템은 known waveform의 class를 정확하게 구분하면서도 학습하지 않은 waveform은 known으로 오분류하지 않고 unknown으로 거부해야 합니다.

Radar waveform은 LFM sweep, nonlinear sweep, hopping pattern, phase-coded structure처럼 서로 공유하는 structural primitive를 가질 수 있습니다. 따라서 unknown waveform이 known waveform과 일부 구조를 공유하면 reconstruction error나 단순 feature distance만으로는 경계가 모호해질 수 있습니다.

Closed-set 학습→Unknown waveform 등장→Known과 부분적으로 유사한 구조→저 SNR로 경계 불명확→Unknown을 Known으로 오분류

Concept 그림 1. Closed-set 분류는 unknown sample을 known class로 오분류할 수 있지만, open-set recognition은 known classification과 unknown rejection을 함께 수행한다. 학습 단계에서 보지 못한 waveform이 등장할 때 두 문제의 판단 목표가 어떻게 달라지는지 보여준다.

연구 목표

본 연구는 저 SNR 환경에서 known radar waveform의 분류 성능을 유지하면서, 학습에서 보지 못한 waveform을 안정적으로 reject하는 open-set radar waveform recognition을 목표로 했습니다. 이를 위해 radar waveform을 단순 class label로 표현하지 않고, 시간·주파수 영상에서 관찰되는 structural pattern과 spectral characteristic을 semantic attribute text로 구성했습니다.

제안한 SAVOR는 SPWVD time-frequency image와 radar semantic attribute text를 shared vision-language embedding space에 정렬한 뒤, Stage 1에서 known semantic reference를 만들고 Stage 2에서 unknown-aware representation을 학습합니다.

Raw Radar I/Q→SPWVD Time-Frequency Image+Radar Semantic Attribute Text→Stage 1: Known Semantic Alignment→Stage 2: Unknown-Aware Learning→Known Classification + Unknown Rejection

왜 Vision-Language Model을 사용하는가

일반적인 classifier는 LFM, Barker, Costas와 같은 class label을 supervision으로 사용합니다. 하지만 class name 자체에는 waveform이 시간·주파수 영역에서 어떤 구조를 가지는지에 대한 정보가 거의 없습니다. 같은 class라도 SNR과 채널에 따라 영상이 달라지고, 서로 다른 class가 일부 구조적 primitive를 공유할 수도 있습니다.

Vision-language model은 image representation과 text representation을 공통 embedding space에 정렬할 수 있습니다. 따라서 ascending 또는 descending sweep, curved ridge, stepwise hopping, horizontal band, fragmented energy와 같은 waveform의 구조적 의미를 text로 표현해 TFI와 연결할 수 있습니다.

이 연구는 CLIP을 레이다에 그대로 적용해 zero-shot recognition을 수행한 것이 아닙니다. pretrained CLIP embedding을 radar semantic attribute와 open-set learning에 맞게 구성하고, Stage 1과 Stage 2의 학습 전략으로 known classification과 unknown rejection이 함께 가능한 표현 공간을 설계했습니다.

제안 방법

Method 그림 2. Radar time-frequency representation과 semantic attribute를 결합한 SAVOR open-set 레이다 파형 인식 전체 구조. 레이더 시간·주파수 표현과 의미 정보를 Vision-Language embedding space에 정렬해 known classification과 unknown rejection을 함께 수행하는 흐름을 보여준다.

Semantic Attribute Construction

Known-Class Attribute Text

Known class의 text는 각 waveform의 structural pattern과 spectral characteristic을 결합해 구성합니다. Structural pattern은 ascending diagonal line, curved trace, stepwise frequency pattern, horizontal band처럼 TFI의 전체적인 형태를 설명하고, spectral characteristic은 continuous energy ridge, fragmented distribution, phase-transition artifact, oscillating frequency characteristic처럼 그 구조 위의 에너지 분포를 설명합니다.

각 class에 대해 여러 candidate phrase를 만들고 training 중 structural pattern과 spectral characteristic을 sampling해 의미적으로 일관되면서도 다양한 text description을 생성합니다. 목적은 특정 문장을 외우게 하는 것이 아니라, 각 waveform class의 구조적 의미와 image embedding을 정렬하는 것입니다.

Attribute-Aware Base Text

두 번째 text set은 특정 known class에 직접 연결되지 않는 generic time-frequency description으로 구성합니다. Vertical streak, horizontal band, diffuse blob, fragmented trace, broad smear, scattered energy, irregular cluster와 같은 attribute를 사용하고, 이를 “a radar spectrogram showing …” 또는 “a noisy spectrogram with …” 같은 template과 결합합니다.

이 text들은 known class description이 아니라 Stage 2에서 unknown semantic direction을 만들기 위한 semantic basis입니다. 즉 known-class attribute text는 known semantic alignment를 담당하고, attribute-aware base text는 unknown modeling을 위한 semantic diversity를 제공합니다.

Stage 1 — Known Semantic Alignment

Stage 1의 목적은 unknown을 직접 학습하는 것이 아니라, known radar waveform class를 semantic하게 분리되는 embedding space에 정렬하는 것입니다. Radar waveform을 SPWVD 기반 TFI로 변환하고 CLIP image encoder로 image embedding을 생성합니다.

동시에 해당 waveform의 structural pattern과 spectral characteristic을 포함하는 text를 CLIP text encoder로 embedding합니다. Image-to-text contrastive learning을 통해 각 radar image가 자신의 semantic attribute description과 가까워지도록 학습하고, known class를 단순 class ID가 아닌 waveform의 구조적 의미를 기준으로 정렬합니다.

Stage 1은 unknown을 직접 학습하는 단계가 아니라, 이후 unknown-aware regularization이 작동할 수 있는 known waveform의 semantic reference space를 먼저 만드는 단계입니다.

Stage 2 — Unknown-Aware Representation Learning

Stage 1만으로는 known class가 잘 정렬되더라도 unknown waveform이 embedding space에서 어디에 나타날지를 직접 고려하지 않습니다. 따라서 Stage 2에서는 text side와 image side에서 각각 unknown-related region을 모델링합니다.

Text-Driven Unknown(TDU)은 attribute-aware base text를 이용해 semantic space를 확장하고, Image-space Virtual Unknown(IVU)은 known class 사이의 모호한 image region을 regularize합니다. 두 방법은 같은 unknown prototype을 사용하는 것이 아니라 서로 다른 공간에서 complementary하게 작동합니다.

Method 그림 3. Attribute-aware base text와 known class center를 이용해 text side와 image side의 virtual unknown을 구성하는 Stage 2 구조. TDU는 semantic direction을 확장하고 IVU는 known class 사이의 ambiguous region을 정리한다.

TDU — Text-Driven Unknown Modeling

TDU는 attribute-aware base text에서 얻은 embedding으로 known class에 종속되지 않는 semantic basis를 구성합니다. 이 basis에서 text-derived virtual unknown direction을 만들고 known prototype과 함께 training logit에 포함해, image embedding이 known class와 정렬되면서도 known 밖의 semantic direction을 고려하도록 학습합니다.

TDU는 실제 unknown class의 text label을 만들어 학습하는 구조가 아닙니다. 사전에 알 수 없는 실제 unknown waveform 대신, radar-specific generic attribute text에서 virtual unknown semantic direction을 구성해 text-side open-set regularization을 수행합니다.

Generic Radar Semantic Text→Semantic Basis→Virtual Unknown Directions→Text-side Open-set Regularization

IVU — Image-Space Virtual Unknown Modeling

IVU는 image embedding의 class boundary를 직접 regularize합니다. 현재 batch에서 known class center를 계산하고 서로 다른 known class center를 mixing해 inter-class region을 만든 뒤, 그 위치에 작은 Gaussian perturbation을 추가해 image-space virtual unknown prototype을 생성합니다.

생성한 virtual unknown이 known class center와 너무 가까워지지 않도록 margin-based separation을 적용합니다. 따라서 IVU는 실제 unknown image를 수집해 학습하는 단계가 아니라, known class 사이의 ambiguous region을 unknown-aware하게 정리하는 image-side regularization입니다.

Known Class Centers→Inter-Class Mixing→Gaussian Perturbation→Virtual Unknown→Margin-based Separation

TDU와 IVU를 함께 사용하는 이유

TDU만 사용하면 semantic direction은 다양해지지만 image space의 실제 class boundary를 직접 제어하는 데 한계가 있습니다. 반대로 IVU만 사용하면 inter-class region을 regularize할 수 있지만 radar waveform이 가진 semantic structure를 충분히 활용하지 못할 수 있습니다.

따라서 TDU는 text side에서 semantic space를 넓히고, IVU는 image side에서 known class 사이의 경계를 정리하도록 역할을 나누었습니다. 두 regularization을 함께 사용해 known classification과 unknown rejection 사이의 균형을 개선합니다.

구분	TDU	IVU
공간	Text / semantic embedding	Image embedding
입력	Attribute-aware base texts	Known class centers
역할	Unknown semantic direction 생성	Inter-class virtual unknown 생성
효과	Semantic space 확장	Ambiguous class boundary separation

Open-Set Inference

Training 단계에서는 TDU와 IVU를 통해 virtual unknown을 사용하지만, 실제 inference에서 unknown prototype과 직접 matching하지 않습니다. Test waveform을 SPWVD TFI로 변환하고 image encoder로 embedding한 뒤, 각 known class image prototype과 similarity를 계산합니다.

Maximum similarity가 충분히 높으면 가장 가까운 known class로 분류하고, maximum similarity가 낮으면 unknown으로 rejection합니다. 개념적으로는 Unknown Score = 1 − max similarity to known prototypes로 이해할 수 있습니다.

실제 unknown waveform의 종류는 사전에 알 수 없기 때문에, 특정 virtual unknown prototype과 직접 matching하기보다 known distribution과 얼마나 가까운지를 기준으로 판단하도록 설계했습니다. Virtual unknown은 training 중 embedding space를 shaping하기 위한 것이고, inference는 known prototype에 대한 confidence를 이용합니다.

Test Radar TFI→Image Encoder→Similarity to Known Prototypes→Maximum Similarity High: Known Class/Low: Unknown Reject

모델 및 입력 설정

본문에서는 결과 해석에 필요한 설정만 유지하고, 세부 loss weight와 noise scale은 생략했습니다.

항목	설정
Framework	CLIP-based Vision-Language framework
Visual encoder	ViT-B/16
Input	SPWVD 224 × 224 TFI
SNR evaluation	−16 dB ~ 0 dB
Attribute-aware base texts	1,000
Text-driven virtual unknown prototypes	20
Semantic basis dimension	64

평가 지표

Open-set recognition은 known classification과 unknown rejection을 함께 다루므로, 이 연구에서는 threshold 변화에 따른 두 성능의 trade-off를 하나의 곡선으로 확인하는 AUC-OSCR을 주요 평가 지표로 사용했습니다.

AUC-OSCR: known sample을 올바른 class로 인식하는 성능과 unknown sample을 known으로 받아들이는 비율 사이의 trade-off를 종합적으로 평가합니다.

실험 파형 및 파라미터 구성

연구 2와 구분되는 별도 synthetic dataset으로 15 waveform classes를 구성했습니다. fs = 500 MHz 조건에서 각 SNR·class 조합마다 1,000개를 생성하고, SPWVD 기반 224×224 time-frequency image로 −16~0 dB의 open-set recognition을 평가했습니다.

연구 3 synthetic waveform class 구성
파형군	사용 클래스	주요 생성 파라미터
LFM	LFMD, LFMU	`fc: fs/6–fs/5` · `BW: fs/20–fs/10` · `N: 512–1920`
NLFM	NLFMT, NLFMS	`fc: fs/6–fs/5` · `BW: fs/20–fs/10` · `N: 512–1920`
Phase Code	Barker	`fc` · `Lc: 2/3/4/5/7/11/13` · `Ncc: 20–24`
Frequency Hopping	Costas	`Nhop: 3–6` · `fmin: fs/30–fs/24` · `N: 512–1920`
Polyphase	Frank, P1–P4	`fc` · `Ncc` · frequency step/sub-code 수
Polytime	T1–T4	`fc` · `BW` · `Ng: 4–6` · signal length

세부 범위는 논문 Table III를 기준으로 유지했습니다. Frank/P1/P2는 Ncc={3,4,5}, M={6,7,8}, P3/P4는 Ncc={3,4,5}, Ns={4,16,36,49,64}를 사용했습니다. T1/T2는 Ng={4,5,6}, T3/T4는 추가로 B=fs/20–fs/10 범위를 사용했습니다.

15 Waveform Classes 1,000 / class / SNR fs 500 MHz SNR −16~0 dB SPWVD 224×224 AWGN / Rayleigh / Measured Wireless

Experiments(시뮬레이션)

Single-Unknown protocol

각 waveform class를 한 번씩 unknown으로 제외하고 나머지 class를 known으로 학습합니다. Inference에서는 known waveform은 올바른 class로 분류하고, 학습에서 제외한 한 종류의 waveform은 unknown으로 reject할 수 있는지 평가합니다.

Two-Unknown protocol

두 종류의 waveform을 동시에 unknown으로 제외해 unknown diversity가 증가한 조건을 평가합니다. 한 종류의 unknown에만 맞춘 것이 아니라, 여러 unseen waveform을 일반적인 open-set representation으로 분리할 수 있는지 확인합니다.

시뮬레이션 채널 조건

시뮬레이션 채널은 AWGN과 Rayleigh fading으로 구성했습니다. Rayleigh에서는 multipath와 Doppler 영향을 포함해 ideal AWGN보다 복잡한 propagation 환경에서 open-set representation이 유지되는지를 확인했습니다.

실제 하드웨어와 무선 채널을 포함한 controlled OTA 평가는 시뮬레이션 결과와 분리해 다음 실환경 검증 섹션에서 다룹니다.

AUC-OSCR 결과

왼쪽 결과는 Single-Unknown 조건, 오른쪽 결과는 Two-Unknowns 조건의 AUC-OSCR입니다. 두 결과는 unknown waveform을 제외하는 방식만 달리하고, 동일한 주요 지표로 open-set recognition 성능을 비교합니다.

Result Single-Unknown · AUC-OSCR 한 종류의 unknown waveform을 제외한 조건에서 SAVOR와 비교 방법의 AUC-OSCR을 비교합니다.

Result Two-Unknowns · AUC-OSCR 두 종류의 unknown waveform을 제외한 조건에서 SAVOR와 비교 방법의 AUC-OSCR을 비교합니다.

Measurements(실측)

시뮬레이션 결과와 별도로 GNU Radio와 USRP를 이용해 waveform을 실제 무선 채널로 송수신하고, 수신 신호를 SPWVD TFI로 변환해 동일한 SAVOR recognition chain을 평가했습니다. Measured wireless 평가는 대규모 operational radar dataset을 의미하는 것이 아니라, 실제 하드웨어와 무선 채널을 포함한 controlled OTA 검증입니다.

Experiment 실환경 OTA 처리 흐름 파형 생성과 송신, 무선 채널, 수신·DC 제거, power measurement, SAVOR waveform recognition이 연결된 controlled OTA 구성입니다.

Result AUC-OSCR · Simulated / Measured 시뮬레이션 채널과 measured wireless 조건에서 AUC-OSCR을 비교합니다.

Result FPR95 · Simulated / Measured 시뮬레이션과 실제 무선 조건에서 unknown false positive rate를 비교합니다.

Result Known Accuracy · Simulated / Measured known waveform classification accuracy가 채널 조건에 따라 어떻게 변하는지 확인합니다.

Result AUPRC · Simulated / Measured unknown rejection의 precision-recall 기반 성능을 채널별로 비교합니다.

Result AUROC · Simulated / Measured known과 unknown의 분리 성능을 채널별로 비교합니다.

연구의 한계

구조적으로 유사한 waveform에서는 unknown도 known pattern과 가까운 표현을 만들 수 있어, semantic representation만으로 모든 경계를 완벽하게 분리하기는 어렵습니다. 따라서 본 연구의 결과는 15종 waveform과 controlled open-set protocol, AWGN·simulated Rayleigh·controlled OTA 조건에서의 검증 범위로 해석해야 합니다.

본 연구는 15종 waveform을 대상으로 한 controlled open-set protocol과 AWGN, simulated Rayleigh, controlled OTA 중심의 평가로 semantic attribute의 효과를 검증했습니다. 대규모 operational radar dataset 전체를 검증한 것은 아니며, full SAVOR를 FPGA에 구현한 연구도 아닙니다. 향후에는 더 다양한 실제 radar waveform과 channel 환경으로 확장하고, 경량화된 open-set recognition 모델의 edge 및 FPGA 적용을 검토할 수 있습니다.

결론

저는 이 연구에서 저 SNR open-set radar waveform recognition 문제를 정의하고, radar time-frequency structure를 semantic attribute로 표현하는 text construction 방식을 설계했습니다. Known waveform의 structural pattern과 spectral characteristic을 이용한 Stage 1 semantic alignment를 구성하고, Stage 2에서는 attribute-aware base text를 이용한 Text-Driven Unknown(TDU)과 inter-class image feature를 이용한 Image-space Virtual Unknown(IVU)을 결합했습니다.

또한 Single-Unknown과 Two-Unknown protocol으로 known classification과 unknown rejection을 함께 평가하고, AWGN, Rayleigh fading, GNU Radio·USRP 기반 measured wireless 환경으로 robustness evaluation을 확장했습니다. 이 연구의 의미는 기존의 학습된 class 중 하나를 선택하는 radar classifier와 Known / Unknown만 구분하는 anomaly detector를 넘어, known waveform은 정확하게 분류하고 학습하지 않은 waveform은 unknown으로 거부하는 open-set radar recognition을 semantic attribute와 vision-language representation으로 확장했다는 점입니다.

레이더 신호 검출 및 제원 추정

Mon, 01 Jan 0001 00:00:00 +0000

연구 배경과 필요성

레이더 수신기는 단순히 신호가 존재한다는 사실만 알아서는 수신 신호를 충분히 분석할 수 없습니다. Radar pulse train을 분석하려면 pulse가 언제 도착했는지, 얼마나 지속되는지, 어떤 간격으로 반복되는지, 어느 주파수 범위를 점유하는지, 중심 주파수가 어디인지를 함께 추정해야 합니다.

Parameter	의미
ToA	Time of Arrival, pulse가 도착한 시점
PW	Pulse Width, pulse가 지속되는 시간
PRI	Pulse Repetition Interval, 인접 pulse 사이의 반복 간격
BW	Bandwidth, 신호가 점유하는 주파수 범위
Fc	Carrier Frequency, 점유 대역의 중심 주파수

이 parameter들은 pulse timing과 frequency occupation을 정량화하며, 이후 radar signal analysis, waveform recognition, deinterleaving, emitter identification으로 이어지는 기본 정보입니다. 하지만 비협조적 수신 환경에서는 전파 거리, 낮은 송신 전력, interference, multipath, receiver impairment 때문에 수신 SNR이 매우 낮아질 수 있습니다.

특히 LPI radar는 낮은 송신 전력과 넓은 bandwidth, frequency agility, phase coding 등을 사용해 피탐 가능성을 낮춥니다. 저 SNR에서는 시간 영역 pulse가 noise와 거의 구분되지 않고, time-frequency image에서도 radar ridge와 pulse boundary가 scattered noise에 의해 흐려져 ToA, PW, PRI, BW, Fc의 추정 오차로 이어집니다.

Pulse 존재 위치 불명확→시간·주파수 경계 왜곡→Edge 추출 불안정→ToA · PW · PRI · BW · Fc 오차 증가

문제 정의

Wigner-Hough Transform 기반 방법

Wigner-Hough Transform 계열 방법은 time-frequency representation의 강한 성분이나 선형 구조를 이용해 radar signal을 추출합니다. 그러나 SNR이 매우 낮아지면 noise peak가 실제 radar component보다 강하게 나타날 수 있고, column maximum이나 line detection 과정에서 noise를 signal로 잘못 선택할 수 있습니다.

Change Point Detection 기반 방법

Change Point Detection 기반 방법은 signal이 존재하는 frequency band를 먼저 좁힌 뒤 time-domain change point를 찾습니다. Moderate SNR에서는 효과적일 수 있지만 extremely low SNR에서는 frequency band를 정확하게 찾는 것 자체가 어려워집니다.

Band를 너무 좁히면 실제 radar component까지 제거하고, 충분히 좁히지 못하면 noise가 그대로 남아 pulse edge가 불명확해집니다. Direct learning 방식도 parameter를 직접 예측할 수 있지만, 저 SNR pulse-train structure를 충분히 보존하지 못하면 시간·주파수 경계가 무너진 상태의 오차를 그대로 학습하게 됩니다.

따라서 본 연구에서는 모든 문제를 하나의 estimator에 맡기지 않고, pulse가 어디에 있는지 찾고, 구조를 복원하고, 실제 경계를 추출한 뒤, 물리 parameter를 계산하는 단계별 처리 체계로 문제를 분리했습니다.

저 SNR 수신 신호→펄스 존재 구간 식별 어려움→시간·주파수 경계 왜곡→신호 경계 추출 실패→ToA · PW · PRI · BW · Fc 추정 오차 증가

Concept 그림 1. 저 SNR 환경에서 pulse train이 noise에 묻혀 pulse 존재 구간과 시간 경계가 불명확해지는 상황. 후속 parameter estimation 전에 먼저 해결해야 하는 pulse visibility 문제를 보여준다.

Pulse Presence Detection과 Interval Localization

두 단계는 비슷해 보이지만 서로 다른 문제를 해결합니다. Pulse Presence Detection은 미리 나눈 time slot이 noise only인지 radar pulse를 포함하는지 판단하는 coarse-level binary detection입니다. 이 단계의 질문은 어느 구간을 후속 처리할 것인가입니다.

Pulse Interval Localization은 pulse가 존재한다고 판단된 구간 안에서 실제 pulse의 시작과 끝 sample 위치를 찾는 fine-level boundary estimation입니다. 이 단계의 결과가 ToA와 PW의 계산에 직접 연결되고, 인접 pulse의 경계를 이용해 PRI를 계산할 수 있게 합니다.

Pulse presence detection은 어느 구간을 볼 것인가를 결정하고, pulse interval localization은 그 안에서 실제 경계가 어디인가를 결정합니다. 따라서 처음부터 정확한 edge를 찾으려 하기보다 coarse detection과 fine localization을 분리하는 것이 저 SNR 처리에 적합합니다.

연구 목표

본 연구는 저 SNR 환경에서도 레이다 pulse의 존재 구간과 실제 시간·주파수 경계를 안정적으로 추출하고, 이를 바탕으로 ToA, PW, PRI, Bandwidth, Carrier Frequency를 정확하게 추정하는 것을 목표로 했습니다.

신호 전체를 하나의 network에 입력해 parameter를 직접 regression하는 대신, Pulse Presence Detection, Pulse Interval Localization, STFT Representation, UNet Denoising, CCA-based Edge Detection, Edge-based Parameter Computation으로 처리 단계를 분리했습니다. 각 단계가 검출, 복원, 구조 추출, 물리 parameter 계산이라는 서로 다른 역할을 담당하도록 설계한 것이 핵심입니다.

Pulse Presence Detection→Pulse Interval Localization→STFT Representation→UNet Denoising→CCA-based Edge Detection→Edge-based Parameter Computation

Concept 그림 2. Radar pulse train에서 추정하는 시간 영역 parameter ToA, PW, PRI와 주파수 영역 parameter BW, Fc를 정리한 개념도. 연구가 최종적으로 계산하는 시간·주파수 parameter의 의미와 물리적 관계를 보여준다.

전체 처리 구조

전체 pipeline은 Received I/Q에서 시작해 Frequency-Domain Pulse Detection, Pulse-Relevant Time Slots, STFT, UNet Denoising, Binarization, CCA-Based Edge Detection, Edge-Based Parameter Computation으로 이어집니다.

수신 I/Q signal을 바로 parameter estimation에 사용하지 않고 먼저 짧은 time slot으로 나누어 pulse가 존재할 가능성이 높은 구간을 선별합니다. 선별된 구간만 STFT로 변환하고, UNet으로 noise를 억제하면서 radar structure를 복원합니다. Denoised STFT는 binarization과 Connected Component Analysis를 거쳐 noise component와 radar component가 분리됩니다.

Deep learning은 signal structure를 복원하는 데 사용하고, 최종 radar parameter는 복원된 구조의 물리적 경계에서 계산했습니다. 따라서 모델 하나가 ToA, PW, PRI, BW, Fc를 직접 출력하는 구조가 아니라 detection, localization, denoising, edge extraction, physical computation이 연결된 hybrid processing chain입니다.

Received I/Q→Frequency-Domain Pulse Detection→Pulse-Relevant Time Slots→STFT→UNet Denoising→Binarization→CCA Edge Detection→Parameter Computation

Method 그림 3. 수신 I/Q를 frequency-domain pulse detection, STFT, UNet denoising, binarization, CCA edge detection, parameter computation으로 연결한 전체 processing chain. 딥러닝과 신호처리의 역할을 분리해 복원된 구조에서 물리 parameter를 계산하는 흐름을 보여준다.

왜 주파수 영역에서 Pulse를 먼저 찾았는가

저 SNR에서는 time-domain waveform을 보면 signal amplitude가 noise와 거의 구분되지 않을 수 있습니다. 하지만 radar signal은 전체 observation bandwidth에 균일하게 퍼진 noise와 달리, frequency domain에서 상대적으로 특정 frequency range에 energy가 집중되는 특성이 남을 수 있습니다.

따라서 수신 signal을 짧은 time slot으로 나눈 뒤 각 slot의 frequency-domain amplitude를 이용해 pulse presence를 판단합니다. 이 단계의 목적은 정확한 edge를 바로 찾는 것이 아니라 후속 STFT, UNet, CCA 처리를 수행할 필요가 있는 구간만 선별하는 것입니다.

이를 통해 noise-only region을 줄이고 불필요한 time-frequency processing을 감소시키며, 후단 edge detection이 pulse-containing region에 집중하도록 합니다.

Frequency-Domain Pulse Detection

Frequency-Domain Pulse Detector(FPD)는 단순 threshold detector가 아니라, 수신 pulse train을 여러 non-overlapping time slot으로 나눈 뒤 각 slot의 amplitude spectrum을 lightweight 1D CNN 기반 detector에 입력하는 구조입니다. Detector는 Pulse-containing slot과 Noise-only slot을 구분합니다.

Time-domain amplitude만 이용하는 것보다 저 SNR에서 남아 있는 spectral concentration을 활용하는 것이 핵심입니다. FPD의 출력은 pulse가 존재할 가능성이 높은 slot과 edge-inclusive region이며, 이 결과가 후속 STFT와 denoising의 입력 범위를 결정합니다.

즉 FPD는 최종 parameter를 계산하는 단계가 아니라, 분석할 구간을 먼저 좁혀 후속 처리의 안정성과 효율을 높이는 coarse detection 단계입니다.

왜 STFT를 사용했는가

Parameter estimation에서는 pulse 시작·종료 시점, pulse duration, pulse 간 시간 간격, occupied frequency range, center frequency를 함께 관찰해야 합니다. STFT는 time axis와 frequency axis를 동시에 표현하므로 pulse의 시간적 boundary와 frequency occupation을 하나의 representation에서 분석할 수 있습니다.

본 연구에서 STFT는 딥러닝 classifier용 이미지가 아니라, 물리적 시간·주파수 경계를 추출하기 위한 중간 representation입니다. 따라서 이후 UNet이 radar ridge와 pulse boundary를 복원할 수 있을 정도로 구조가 보존되는지가 중요합니다.

UNet-Based Denoising

저 SNR STFT에서는 signal ridge 주변뿐 아니라 image 전체에 random noise component가 나타납니다. 이 상태에서 threshold나 CCA를 바로 적용하면 noise component가 radar structure로 남거나, 실제 pulse edge가 여러 조각으로 끊길 수 있습니다. 따라서 edge extraction 전에 time-frequency representation을 먼저 복원해야 합니다.

UNet은 noisy STFT image를 입력으로 받아 clean reference STFT를 target으로 학습하고, radar structure는 유지하면서 noise component를 억제하도록 사용했습니다. Encoder-decoder 구조와 skip connection을 통해 전체적인 time-frequency structure를 복원하면서도 fine boundary information을 보존할 수 있다는 점이 장점입니다.

UNet의 output은 ToA나 PW 같은 parameter 값이 아니라 denoised time-frequency representation입니다. 최종 parameter는 이 복원 결과에 대해 후단 signal processing을 적용해 계산합니다.

CCA-Based Edge Detection

UNet output을 그대로 parameter 계산에 사용하지 않는 이유는 denoising 후에도 일부 scattered noise component가 남을 수 있기 때문입니다. Radar pulse structure는 noise에 비해 time-frequency domain에서 더 연속적인 component를 형성하는 경향이 있으므로, 복원 결과에서 연결 구조를 추가로 확인해야 합니다.

Denoised STFT를 Otsu thresholding 등으로 binarization한 뒤 Connected Component Analysis(CCA)를 적용합니다. CCA는 연결된 pixel group을 component로 labeling하고, 너무 작은 component를 제거해 random noise와 radar structure를 분리합니다.

Frequency hopping이나 Costas처럼 구조가 불연속적으로 보일 수 있는 waveform에는 time·frequency axis의 작은 gap을 보완해 실제 radar structure가 끊기지 않도록 처리합니다. UNet이 noise를 약화시키고 CCA가 남은 구조 중 연속적인 radar component를 선택하는 방식으로 두 단계의 역할을 분리했습니다.

Edge-Based Parameter Computation

복원된 radar structure에서 추출한 time-axis와 frequency-axis edge를 물리 parameter로 변환합니다. AI가 ToA나 BW를 직접 생성하는 것이 아니라, AI로 복원한 signal structure에서 해석 가능한 edge를 찾고 그 관계를 이용해 계산합니다.

영역	Parameter	계산 기준
Time	ToA	pulse의 시작 edge 위치
Time	PW	동일 pulse의 end edge − start edge
Time	PRI	인접 pulse의 기준 edge 간 시간 차이
Frequency	BW	upper frequency edge − lower frequency edge
Frequency	Fc	upper·lower frequency edge의 중심

Method 그림 4. 복원된 time-frequency structure에서 pulse의 시간·주파수 경계를 추출하고 ToA, PW, PRI, BW, Fc를 계산하는 과정. edge label과 frequency structure를 이용해 물리 parameter를 직접 계산하는 후단 signal-processing 흐름을 보여준다.

핵심 아이디어

Pulse 존재 구간을 먼저 찾았습니다. 전체 I/Q stream을 모두 time-frequency processing하지 않고, 저 SNR에서도 상대적으로 남아 있는 frequency-domain 특징을 이용해 pulse-containing slot을 선별했습니다.
Pulse detection과 실제 edge localization을 분리했습니다. “pulse가 이 구간에 있다”는 coarse 판단과 “실제 시작·끝 위치가 어디인가”라는 fine estimation을 분리해 후속 ToA, PW, PRI 계산과 연결했습니다.
딥러닝은 구조 복원에 집중시켰습니다. UNet이 ToA나 PW를 직접 예측하게 하지 않고, noise에 묻힌 STFT structure를 clean reference에 가깝게 복원하도록 사용했습니다.
최종 parameter는 signal processing으로 계산했습니다. CCA와 edge-based computation으로 복원된 radar structure의 물리적 경계를 추출하고 이를 ToA, PW, PRI, BW, Fc로 변환했습니다.

실험 파형 및 파라미터 구성

500 kHz sampling의 pulse train을 기반으로 17개 intrapulse-modulation(IPM) waveform을 구성했습니다. 각 파형을 여러 생성 조건에서 변화시키고 SNR −20~10 dB 범위에서 pulse boundary와 주요 parameter 추정 성능을 평가했습니다.

연구 1 시뮬레이션 파형 구성
파형군	사용 파형	주요 생성 파라미터
FM	LFM	`B: fs/10–fs/8` · `Sweep: Up / Down / Triangle`
FM	NLFM	`B: fs/10–fs/8` · `Pattern: Sine / 2nd / 3rd`
FSK	FSK2, FSK4	`M: 2 / 4` · `fmin: fs/32–fs/25`
Frequency Hopping	Costas (COS6, COS10)	`M: 6 / 10` · `fmin: fs/32–fs/25`
Phase Code	Barker	`Code length: 7 / 11 / 13`
Polyphase	Frank, P1–P4	`Ncpp`, code size, compression ratio 등 파형별 변화

모든 파형의 carrier frequency는 fc: fs/6–2fs/5 범위에서 생성했습니다. P1–P4의 세부 조합은 파형군 수준으로 압축해 표시했으며, 원 논문의 Table 1을 기준으로 구성했습니다.

추정 대상ToA · PW · PRI · Bandwidth · Carrier Frequency

17 waveform types fs 500 kHz PW 1–10 ms Duty cycle 20% SNR −20~10 dB

Experiments(시뮬레이션)

Simulation은 17종 intrapulse-modulation waveform, pulse width 1–10 ms, SNR −20–10 dB 조건으로 구성했습니다. Waveform·SNR별 100개 pulse train을 사용해 총 52,700 samples를 구성했고, train·validation·test split은 8:1:1로 유지했습니다.

다양한 modulation type과 parameter variation을 포함해 특정 waveform에만 맞춰진 estimator가 되지 않도록 했습니다. 특히 SNR을 −20 dB까지 낮춰 기존 방법이 불안정해지는 영역에서도 pulse detection과 parameter estimation을 평가했습니다.

평가는 noise-only slot과 pulse-containing slot을 구분하는 Detection 성능과 ToA, PW, PRI, BW, Fc의 RMSE를 비교하는 Parameter Estimation 성능으로 나누어 진행했습니다.

왜 AUC를 Detection Metric으로 사용했는가

FPD의 첫 번째 역할은 time slot을 Pulse와 Noise로 구분하는 것입니다. 따라서 특정 threshold 하나에서의 accuracy만 보기보다 decision threshold 전체에서 pulse-containing slot과 noise-only slot을 얼마나 잘 분리하는지 확인하기 위해 ROC-AUC를 사용했습니다.

대표 결과는 AUC 0.912 at −18 dB, AUC 0.964 at −15 dB입니다. 이 수치는 최종 ToA, PW, PRI의 정확도가 아니라 후속 parameter estimation에 필요한 pulse 구간을 얼마나 안정적으로 찾는지를 보여주는 detection metric입니다.

Result 그림 5. SNR 변화에 따른 pulse detection AUC 비교. FPD는 저 SNR에서도 후속 parameter estimation에 필요한 pulse-containing slot을 안정적으로 선별한다. AUC는 parameter RMSE가 아니라 Pulse와 Noise slot을 threshold 전반에서 분리하는 detection metric이다.

파라미터 추정 결과

시뮬레이션에서 다섯 parameter의 추정 결과를 각각 확인했습니다. ToA, PW, PRI, BW, Fc는 모두 SNR이 높아질수록 오차가 감소하며, 제안 방법은 비교 방법과 denoising ablation보다 저 SNR에서 안정적인 경향을 보입니다.

Result ToA 추정 결과 제안 방법과 비교 방법의 ToA RMSE를 비교합니다.

Result PW 추정 결과 제안 방법과 비교 방법의 PW RMSE를 비교합니다.

Result PRI 추정 결과 제안 방법과 비교 방법의 PRI RMSE를 비교합니다.

Result BW 추정 결과 제안 방법과 비교 방법의 BW RMSE를 비교합니다.

Result Fc 추정 결과 제안 방법과 비교 방법의 Fc RMSE를 비교합니다.

Measurements(실측)

Simulation 이후 GNU Radio와 USRP-2920 두 대로 TX/RX test-bed를 구성해 실제 무선 수신 환경을 평가했습니다. Center frequency는 910 MHz, sampling rate는 500 kHz이며, 기존 설정에 따라 송신 waveform을 OTA로 전달한 뒤 수신 I/Q에 동일한 detection, denoising, edge extraction, parameter computation chain을 적용했습니다.

실제 OTA 환경에는 ideal AWGN만 있는 것이 아니라 fading, interference, oscillator mismatch, DC component, receiver hardware impairment가 함께 포함될 수 있습니다. 따라서 이 실험의 목적은 simulation accuracy를 그대로 재현하는 것이 아니라, 실제 wireless distortion이 존재해도 동일한 processing chain이 끝까지 동작하는지 확인하는 데 있습니다.

Radar Signal Generation→USRP TX→Wireless Channel→USRP RX→DC Removal→Power / SNR Measurement→Parameter Estimation Chain

Experiment 그림 6. GNU Radio와 두 대의 USRP-2920을 이용해 구성한 저 SNR radar pulse-train OTA test-bed. 시뮬레이션을 넘어 실제 wireless channel과 receiver hardware 영향이 포함된 환경에서 전체 처리 체인을 검증한 구성이다.

실측 결과

실환경 OTA에서는 시뮬레이션과 같은 처리 체인을 적용한 뒤, 각 parameter의 Simulation/Test-bed RMSE를 비교했습니다. 무선 채널과 수신기 hardware 영향으로 test-bed 오차가 더 크게 나타날 수 있지만, SNR이 높아질수록 다섯 parameter 모두 안정적으로 감소하는 경향을 확인할 수 있습니다.

Result ToA · Simulation / Test-bed 실환경 무선 수신에서 ToA RMSE가 SNR에 따라 감소하는 경향을 비교합니다.

Result PW · Simulation / Test-bed 실환경 무선 수신에서 PW RMSE가 SNR에 따라 감소하는 경향을 비교합니다.

Result PRI · Simulation / Test-bed 실환경 무선 수신에서 PRI RMSE가 SNR에 따라 감소하는 경향을 비교합니다.

Result BW · Simulation / Test-bed 실환경 무선 수신에서 BW RMSE가 SNR에 따라 감소하는 경향을 비교합니다.

Result Fc · Simulation / Test-bed 실환경 무선 수신에서 Fc RMSE가 SNR에 따라 감소하는 경향을 비교합니다.

연구의 한계

본 연구는 simulation과 controlled USRP/GNU Radio test-bed를 이용해 저 SNR parameter estimation을 검증했습니다. 실제 measured environment에서는 extremely low SNR에서 fading, interference, hardware impairment로 인해 simulation 대비 performance degradation이 나타날 수 있습니다.

또한 2D STFT와 UNet processing은 전통적인 lightweight estimator보다 연산량이 증가할 수 있습니다. 향후에는 더 다양한 실제 radar data, simulation-to-measurement domain gap 감소, lightweight denoising, embedded implementation으로 확장할 수 있습니다.

결론

저는 이 연구에서 저 SNR radar pulse train의 parameter estimation 문제를 Pulse Presence Detection, Pulse Interval Localization, Time-Frequency Denoising, Edge Extraction, Parameter Computation의 단계로 분해하고 전체 processing chain을 설계했습니다.

주파수 영역의 spectral concentration을 이용해 pulse-containing slot을 선별하고, 검출된 구간을 STFT로 변환한 뒤 UNet denoising과 CCA-based edge extraction으로 noise에 묻힌 radar structure를 복원했습니다. 복원된 time·frequency edge에서 ToA, PW, PRI, BW, Fc를 물리적인 관계로 계산하고, 다양한 waveform과 SNR 조건의 simulation dataset에서 WHT, CPD, DAT-Net과 비교했습니다.

또한 GNU Radio와 USRP-2920 기반 OTA test-bed를 구성해 실제 wireless channel과 hardware impairment가 포함된 환경에서도 동일한 detection–restoration–estimation chain을 검증했습니다. 이 연구의 의미는 하나의 AI model이 parameter를 직접 출력하도록 하는 것이 아니라, 저 SNR 신호에서 분석 가능한 구간을 찾고 noise에 묻힌 구조를 복원한 뒤 물리적 경계를 해석 가능한 radar parameter로 변환하는 end-to-end signal-processing framework를 설계했다는 점입니다.

미확인 레이다 파형 탐지 및 Open-Set 인식

Mon, 01 Jan 0001 00:00:00 +0000

연구 질문

학습에 없던 파형이 입력되었을 때, known waveform은 정확히 분류하면서 unknown waveform을 기존 class로 오분류하지 않고 거부할 수 있는가?

이 질문을 binary unknown detection에서 시작해 known-class recognition + unknown rejection 문제로 확장했습니다. 첫 번째 연구는 reconstruction discrepancy로 미확인 파형을 탐지하고, 두 번째 연구는 파형의 구조와 스펙트럼 의미를 표현 공간에 반영합니다.

연구 발전 과정

2022Autoencoder 기반 미확인 레이다 파형 탐지

2025DSAE-MAAE: 비지도 denoising과 memory 기반 미확인 파형 탐지

2025VLM과 TFD–Text Alignment를 활용한 파형 인식

2026SAVOR: semantic attribute, TDU, IVU 기반 Open-Set Recognition

Study 1 · Reconstruction-Based Unknown Detection

처리 흐름

Radar I/Q↓CWD time-frequency representation↓DSAE↓Noise-suppressed representation↓MAAE↓Memory-based reconstruction↓Reconstruction discrepancy↓Known / Unknown

핵심 방법

DSAE: clean reference 없이 noisy input만으로 저 SNR 레이다 파형의 구조적 특징을 보존하면서 noise를 억제합니다.
MAAE: known waveform pattern을 memory로 학습하고 known / unknown 간 reconstruction discrepancy를 이용해 미확인 파형을 탐지합니다.
reconstruction discrepancy를 연속적인 score로 사용해 운영 환경의 false-alarm과 missed-detection trade-off를 조정합니다.

· ·

대표 결과

5-waveform: SNR ≥ −12 dB에서 AUC > 0.77
9-waveform: SNR ≥ −10 dB에서 AUC > 0.78

AWGNRayleigh FadingMeasured Wireless

다음 연구가 필요했던 이유

Reconstruction-based detection은 known waveform pattern에서 벗어난 입력을 탐지하는 데 효과적입니다.

그러나 unknown waveform이 known class와 유사한 frequency sweep, hopping pattern, time-frequency structure를 공유하는 경우 reconstruction discrepancy만으로는 충분히 분리하기 어렵습니다.

이를 해결하기 위해 semantic representation 기반 Open-Set Recognition으로 연구를 확장했습니다.

Study 2 · Semantic Open-Set Radar Waveform Recognition

SAVOR 처리 흐름

Radar I/Q↓SPWVD↓Time-frequency image+Structural pattern · Spectral characteristics↓Vision-Language alignment↓Known classification + unknown rejection

단순 class label 대신 레이다 시간–주파수 영상의 구조적 패턴과 스펙트럼 특성을 semantic attribute로 표현합니다.

Stage 1 · Known-class semantic alignment: known waveform의 image-text alignment를 학습합니다.
Stage 2 · Unknown-aware representation: **TDU(Text-Driven Unknown Modeling)**와 **IVU(Image-Space Virtual Unknown Modeling)**를 이용해 unknown-aware representation을 구성합니다.

· ·

대표 결과

+0.05AUC-OSCR 평균 개선

+0.10challenging low-SNR 환경 최대 개선

AWGNRayleigh FadingMeasured WirelessUSRP OTA

목표는 단순히 더 많이 거부하는 것이 아니라, known-class recognition과 unknown rejection 사이의 trade-off를 개선하는 것입니다.

별도의 시스템 구현 연구

이와 병행한 별도의 시스템 구현 연구에서는 대표적인 STFT detector–CNN classifier 체인을 RFNoC/FPGA에 구현하여, OTA 환경에서 레이다 처리 알고리즘의 하드웨어 적용 가능성을 검증했습니다.

연구 질문

학습에 없던 파형이 입력되었을 때, known waveform은 정확히 분류하면서 unknown waveform을 기존 class로 오분류하지 않고 거부할 수 있는가?

연구 발전 과정

2022Autoencoder 기반 미확인 레이다 파형 탐지

2025DSAE-MAAE: 비지도 denoising과 memory 기반 미확인 파형 탐지

2025VLM과 TFD–Text Alignment를 활용한 파형 인식

2026SAVOR: semantic attribute, TDU, IVU 기반 Open-Set Recognition

Study 1 · Reconstruction-Based Unknown Detection

처리 흐름

Radar I/Q↓CWD time-frequency representation↓DSAE↓Noise-suppressed representation↓MAAE↓Memory-based reconstruction↓Reconstruction discrepancy↓Known / Unknown

핵심 방법

DSAE: clean reference 없이 noisy input만으로 저 SNR 레이다 파형의 구조적 특징을 보존하면서 noise를 억제합니다.
MAAE: known waveform pattern을 memory로 학습하고 known / unknown 간 reconstruction discrepancy를 이용해 미확인 파형을 탐지합니다.
reconstruction discrepancy를 연속적인 score로 사용해 운영 환경의 false-alarm과 missed-detection trade-off를 조정합니다.

· ·

대표 결과

5-waveform: SNR ≥ −12 dB에서 AUC > 0.77
9-waveform: SNR ≥ −10 dB에서 AUC > 0.78

AWGNRayleigh FadingMeasured Wireless

다음 연구가 필요했던 이유

Reconstruction-based detection은 known waveform pattern에서 벗어난 입력을 탐지하는 데 효과적입니다.

이를 해결하기 위해 semantic representation 기반 Open-Set Recognition으로 연구를 확장했습니다.

Study 2 · Semantic Open-Set Radar Waveform Recognition

SAVOR 처리 흐름

Radar I/Q↓SPWVD↓Time-frequency image+Structural pattern · Spectral characteristics↓Vision-Language alignment↓Known classification + unknown rejection

단순 class label 대신 레이다 시간–주파수 영상의 구조적 패턴과 스펙트럼 특성을 semantic attribute로 표현합니다.

Stage 1 · Known-class semantic alignment: known waveform의 image-text alignment를 학습합니다.
Stage 2 · Unknown-aware representation: **TDU(Text-Driven Unknown Modeling)**와 **IVU(Image-Space Virtual Unknown Modeling)**를 이용해 unknown-aware representation을 구성합니다.

· ·

대표 결과

+0.05AUC-OSCR 평균 개선

+0.10challenging low-SNR 환경 최대 개선

AWGNRayleigh FadingMeasured WirelessUSRP OTA

목표는 단순히 더 많이 거부하는 것이 아니라, known-class recognition과 unknown rejection 사이의 trade-off를 개선하는 것입니다.

별도의 시스템 구현 연구

비지도 학습 기반 미지 레이더 파형 탐지

Mon, 01 Jan 0001 00:00:00 +0000

연구 배경과 필요성

실제 레이다 수신 환경에서는 수신될 수 있는 모든 파형을 사전에 정의하고 학습 데이터로 확보하기 어렵습니다. 군용 레이다 파형은 공개 데이터가 제한적이고, 새로운 변조 방식이나 기존 파형을 변형한 신호가 계속 등장할 수 있기 때문입니다.

일반적인 supervised radar classifier는 학습 단계에서 모든 class가 정의되어 있다는 closed-world assumption을 사용합니다. 따라서 학습하지 않은 새로운 파형이 입력되어도 이를 unknown으로 판단하지 못하고, 기존 known class 중 하나로 분류할 가능성이 있습니다.

이 문제는 저 SNR 환경에서 더 어려워집니다. 잡음이 시간·주파수 구조를 훼손하면 known waveform과 unknown waveform의 차이가 작아지고, 단순한 feature distance나 reconstruction error만으로 두 그룹을 안정적으로 분리하기 어렵습니다. 따라서 unknown waveform의 학습 데이터를 직접 확보하지 않고도 저 SNR에서 known과 unknown을 구분하는 방법이 필요합니다.

문제 정의

본 연구는 학습된 class 중 하나를 선택하는 일반적인 파형 분류와 다른 문제를 다룹니다. 학습 단계에서는 known waveform만 사용하고, test 단계에서는 학습에서 보지 못한 waveform이 함께 입력될 수 있습니다. 목표는 모든 waveform의 class를 맞히는 것이 아니라, 현재 입력이 학습된 known distribution에 속하는지 판단하는 것입니다.

기존 autoencoder 기반 anomaly detection은 known data는 잘 reconstruct하고 unknown data에서는 큰 reconstruction error가 발생한다는 가정을 사용합니다. 하지만 radar CWD-TFA에는 linear sweep, curved trace, frequency hopping, phase-coded pattern처럼 서로 다른 waveform이 공유하는 구조적 primitive가 많습니다. 일반 autoencoder의 representation capacity가 너무 크면 unknown waveform까지 잘 reconstruct할 수 있고, 저 SNR에서는 noise reconstruction까지 더해져 known과 unknown의 error가 겹치게 됩니다.

Known waveform만으로 학습→새 waveform 입력→저 SNR로 구조 훼손→Known / Unknown error 중첩→Unknown detection 성능 저하

연구 목표

본 연구는 저 SNR 환경에서 학습하지 않은 레이다 파형을 안정적으로 탐지하는 것을 목표로 했습니다. 이를 위해 한 모델이 denoising과 anomaly detection을 동시에 수행하도록 하지 않고, 잡음 억제와 known-pattern reconstruction을 분리한 두 단계 구조를 설계했습니다.

처리 목표는 DSAE 기반 비지도 잡음 억제, MAAE 기반 known waveform reconstruction, reconstruction error 기반 Known / Unknown 판별의 순서로 정리됩니다. unknown waveform의 clean reference나 unknown class label을 학습에 요구하지 않고, known waveform에서 학습한 구조와의 reconstruction discrepancy를 이용해 새로운 파형을 탐지하는 방식입니다.

핵심 방법

Received Radar Signal→CWD Time-Frequency Representation→DSAE Denoising→MAAE Known-Pattern Reconstruction→Reconstruction Error→Known / Unknown Decision

수신 waveform은 CWD(Choi–Williams Distribution) 기반 time-frequency image로 변환합니다. CWD-TFA는 waveform의 시간·주파수 구조를 한 표현 안에서 비교하고, 이후 reconstruction 기반 판별을 수행하기 위한 입력으로 사용됩니다.

DSAE: clean reference 없이 noise suppression

기존 denoising autoencoder는 noisy input과 clean target이 쌍으로 구성된 training data를 요구합니다. 그러나 처음 수신한 unknown waveform에 대해 noise-free 원본을 확보할 수 있다는 가정은 실제 환경에서 성립하기 어렵습니다.

DSAE는 clean target 없이 noisy CWD-TFA 자체를 입력으로 학습합니다. latent representation의 dimensionality를 제한해 모델이 모든 세부 정보를 그대로 복사하지 못하도록 하고, 반복적으로 나타나는 주요 waveform structure에 제한된 representation capacity를 우선 사용하도록 설계했습니다. 그 결과 random noise보다 레이다 waveform의 주요 시간·주파수 구조가 상대적으로 보존됩니다.

Method 그림 1. Clean reference 없이 noisy CWD-TFA에서 주요 waveform structure를 보존하도록 설계한 DSAE 구조. DSAE는 noisy input만으로 잡음을 억제하고 이후 known-pattern reconstruction에 사용할 표현을 만든다.

MAAE: known pattern만 이용한 reconstruction

DSAE만 사용하면 waveform structure는 더 선명해지지만, 입력이 unknown인지 여부를 직접 판단할 수는 없습니다. 두 번째 단계에서는 DSAE가 복원한 known waveform representation만을 이용해 MAAE의 memory를 학습합니다.

Known waveform은 memory에 저장된 유사한 pattern을 이용해 입력과 가깝게 reconstruction할 수 있으므로 error가 작습니다. 반대로 training에서 보지 못한 unknown waveform은 정확히 대응되는 memory pattern이 부족하기 때문에 reconstruction 결과와 입력의 차이가 커지도록 설계했습니다. 따라서 최종 판별은 Known은 low reconstruction error, Unknown은 high reconstruction error라는 차이를 이용합니다.

DSAE와 MAAE는 하나의 black-box classifier가 아니라 서로 다른 목적을 가진 두 단계입니다. DSAE는 신호를 분석하기 쉽게 만들고, MAAE는 그 신호가 기존에 학습한 known 구조인지 판단합니다.

Method 그림 2. DSAE가 잡음을 억제하고 MAAE가 known waveform memory를 이용해 reconstruction한 뒤 reconstruction discrepancy로 unknown을 탐지하는 전체 구조. denoising과 unknown detection을 분리한 two-stage processing이 핵심이다.

핵심 아이디어

Clean reference 없이 잡음을 줄였습니다. Unknown waveform은 송신 원신호나 high-SNR reference를 확보할 수 없는 상황을 전제로 했습니다. DSAE는 noisy CWD-TFA만으로 학습하고, 제한된 latent representation을 통해 noise보다 waveform의 주요 구조를 우선적으로 보존합니다.
Autoencoder가 unknown까지 잘 복원하는 문제를 제한했습니다. 일반 AE는 representation capacity가 충분하면 training에서 보지 못한 waveform도 known pattern을 조합해 reconstruct할 수 있습니다. MAAE는 known waveform에서 학습한 memory entry를 이용해 reconstruction을 제한함으로써 unknown waveform의 reconstruction error가 더 크게 나타나도록 했습니다.
Denoising과 unknown detection의 학습 목적을 분리했습니다. DSAE는 noise suppression, MAAE는 known-pattern reconstruction과 anomaly separation에 집중합니다. 두 모델을 무조건 하나의 end-to-end network로 학습하기보다 two-stage training을 사용해 각 단계의 목적을 분리했습니다.

Experiment 그림 3. Input, AWS, PCA와 DSAE의 denoising 결과를 비교해 DSAE가 주요 waveform structure를 유지하면서 잡음을 억제하는 과정을 보여주는 결과. clean reference가 없는 조건에서 방법별 신호 구조 보존 정도를 비교한다.

DSAE와 MAAE가 왜 둘 다 필요한가

구분	DSAE	MAAE
입력	noisy CWD-TFA	DSAE에서 복원된 waveform representation
역할	noise suppression	known / unknown separation
핵심 구조	compact latent representation	known waveform memory
학습에 필요한 정보	clean target 불필요	unknown label 불필요
출력	잡음이 억제된 waveform structure	reconstruction error 기반 anomaly score

DSAE가 “신호를 보기 쉽게 만드는 단계”라면, MAAE는 “그 신호가 기존에 알고 있던 구조인지 판단하는 단계”입니다. 두 단계를 하나로 합치면 unknown까지 잘 복원하는 표현이 형성되어 known과 unknown의 error gap이 줄어들 수 있으므로, 각 단계의 학습 목적을 분리했습니다.

Experiment 그림 4. 여러 waveform의 representation과 시간·주파수 복원 결과를 비교해 known structure가 유지되는지 확인한 결과. 파형 종류가 달라도 복원 단계에서 비교 가능한 구조 표현을 유지하는지를 보여준다.

Latent size와 memory size가 중요한 이유

DSAE의 latent vector가 너무 크면 signal뿐 아니라 noise까지 함께 reconstruct할 수 있습니다. 반대로 너무 작으면 waveform의 중요한 구조까지 사라져 known waveform도 제대로 복원하기 어렵습니다. 따라서 latent size는 신호 구조 보존과 noise reconstruction 억제 사이의 균형을 결정합니다.

MAAE의 memory도 같은 trade-off를 가집니다. memory가 너무 작으면 known waveform의 다양한 구조를 저장하지 못하지만, 너무 크면 unknown waveform까지 유사한 memory pattern으로 reconstruct해 known과 unknown의 separation이 감소할 수 있습니다. 논문에서는 전체 SNR 범위를 고려한 balanced configuration으로 latent size e = 4, memory size N = 30을 사용했습니다.

실험 파형 및 파라미터 구성

총 13 waveform types를 구성하고, 각 SNR·waveform type 조합마다 1,000개를 생성했습니다. CWD 기반 256×256 time-frequency image를 입력으로 사용해 SNR 0~−16 dB에서 AWGN, Rayleigh fading, USRP OTA 조건을 검증했습니다.

연구 2 시뮬레이션 파형 구성
파형군	사용 파형	주요 생성 파라미터
FM	LFM	`fc`, `BW`, signal length
Nonlinear FM	NLFM	`fc`, `BW`, signal length · `Sinusoidal / Taylor`
Phase Code	Barker	`fc` · code length · samples/carrier cycle
Frequency Hopping	Costas	hop 수 · minimum frequency · signal length
Polyphase	Frank, P1–P4	`fc` · samples/carrier cycle · frequency step/sub-code 수
Polytime	T1–T4	`fc` · `BW` · segment 수 · signal length

파라미터 기호 보기

fc: carrier frequency · BW: bandwidth · N: number of time-domain samples · Lc: code length · Ncc: samples per carrier cycle · Nhop: number of hops · fmin: minimum frequency · M: discrete frequency steps · Ns: number of subcodes · Ng: number of segments

13 Waveform Types 1,000 / waveform / SNR SNR 0~−16 dB AWGN / Rayleigh / OTA CWD 256×256

Experiments(시뮬레이션)

Known / Unknown protocol

평가는 한 종류의 unknown waveform만 고정해 보는 방식이 아니라, known과 unknown 조합 및 waveform 수를 바꾸며 수행했습니다. 기본 5-waveform case는 LFM, NLFM, Costas, Barker, Frank를 사용했고, 9-waveform case는 여기에 P1–P4 계열을 포함해 waveform 수를 확장했습니다.

One-vs-rest protocol에서는 waveform 한 종류를 training에서 제외하고 test 단계에서 이를 unknown으로 두어 탐지 성능을 평가했습니다. 또한 two-unknown setting을 이용해 여러 종류의 unseen waveform이 동시에 등장하는 조건에서도 known과 unknown의 separation이 유지되는지 확인했습니다. 이 페이지의 최종 metric은 class를 맞히는 classification accuracy가 아니라 known / unknown separability를 평가하는 AUC입니다.

시뮬레이션 채널 조건

시뮬레이션 채널은 AWGN과 Rayleigh fading으로 구성했습니다. Rayleigh 조건에서는 multipath와 Doppler를 추가해 AWGN보다 복잡한 propagation 환경에서도 reconstruction-error separation이 유지되는지 확인했습니다.

Unknown detection 결과

5-waveform case에서는 SNR −12 dB 이상에서 AUC 0.77 이상을 유지했고, 9-waveform case에서는 SNR −10 dB 이상에서 AUC 0.78 이상을 유지했습니다. 저 SNR 영역에서 TDL 및 TCN 기반 comparison method보다 높은 unknown waveform detection 성능을 보였습니다.

multiple-unknown 조건에서도 simulation에서 known과 unknown의 separation이 유지되는지 확인했습니다.

Result 5-waveform unknown detection AUC 5개 파형 조건에서 제안 방법과 비교 방법의 AUC를 SNR별로 비교합니다.

Result 9-waveform unknown detection AUC 파형 수를 9개로 확장한 조건에서도 unknown separability를 비교합니다.

Reconstruction error

Known waveform은 MAAE memory가 해당 구조를 학습했기 때문에 input과 reconstruction 사이의 error가 작습니다. 반대로 Unknown waveform은 정확히 대응되는 memory pattern이 없어 reconstruction discrepancy가 상대적으로 크게 발생합니다.

따라서 reconstruction error threshold를 변화시키면서 known과 unknown을 구분하고, ROC curve와 AUC를 이용해 threshold 전반의 separability를 평가했습니다. AUC는 단순한 분류 정확도가 아니라, decision threshold 전반에서 Known과 Unknown을 얼마나 안정적으로 분리할 수 있는지를 나타내는 지표입니다.

Result 그림 7. SNR −8 dB 조건에서 known과 unknown waveform의 reconstruction error 분포를 비교한 결과. Known은 낮은 error 구간에, Unknown은 상대적으로 높은 error 구간에 분포해 threshold 기반 탐지가 가능해진다.

Measurements(실측)

시뮬레이션 결과와 별도로 GNU Radio와 USRP 기반 OTA 환경에서 waveform을 실제로 송수신하고, DC removal과 signal segmentation을 거친 뒤 CWD → DSAE → MAAE 전체 chain으로 unknown detection을 수행했습니다. 주요 설정은 sampling rate 500 kHz, waveform bandwidth 50 kHz, 약 1,000-sample waveform length입니다.

실제 무선 결과는 AWGN·Rayleigh simulation과 함께 Real-world curve로 제시했습니다. 측정 환경에서는 극저 SNR에서 simulation과 성능 차이가 나타날 수 있지만, SNR이 높아질수록 known과 unknown을 구분하는 흐름이 회복되는지를 확인할 수 있습니다.

Result 5-waveform · AWGN / Rayleigh / Real-world 시뮬레이션 채널과 실제 무선 조건에서 unknown detection AUC를 비교합니다.

Result 9-waveform · AWGN / Rayleigh / Real-world 파형 수가 증가한 조건에서도 실환경 unknown separability가 유지되는지를 확인합니다.

연구의 한계

Reconstruction-based unknown detection은 서로 시간·주파수 구조가 매우 비슷한 waveform에서 한계를 가질 수 있습니다. 특히 P1–P4처럼 구조적으로 유사한 waveform family에서는 unknown waveform도 known memory pattern을 부분적으로 이용해 reconstruct될 수 있어 error distribution이 겹치고 탐지 난도가 증가합니다.

다만 reconstruction error만으로 구조적으로 유사한 파형을 구분하는 데에는 한계가 있습니다. 따라서 이 방법의 결과는 waveform 구조가 충분히 다르고 known memory가 unknown을 안정적으로 재구성하지 못하는 조건에서의 unknown detection 성능으로 해석해야 합니다.

결론

저는 이 연구에서 저 SNR unknown waveform detection 문제를 noise suppression과 unknown discrimination의 두 단계로 분리하고, DSAE–MAAE 기반 처리 구조를 설계했습니다. Clean reference 없이 noisy CWD-TFA에서 waveform structure를 복원하기 위한 DSAE를 구성하고, known waveform memory-based reconstruction을 이용해 unknown waveform의 reconstruction discrepancy를 확대하는 MAAE 구조를 적용했습니다.

또한 waveform 종류와 known / unknown 조합을 변화시키며 simulation을 구성하고, AWGN뿐 아니라 Rayleigh fading과 GNU Radio·USRP 기반 무선 송수신 환경에서도 전체 detection chain을 검증했습니다.

이 연구의 의미는 학습 데이터에 존재하는 파형을 정확히 분류하는 것에서 벗어나, 사전에 정의되지 않은 파형이 등장할 수 있는 실제 수신 환경을 고려해 학습하지 않은 신호를 unknown으로 탐지하는 문제로 레이다 파형 인식의 범위를 확장했다는 점입니다.

저 SNR 레이더 인식을 위한 FPGA 실시간 구현 및 경량 모델 설계

Mon, 01 Jan 0001 00:00:00 +0000

공통 연구 배경과 필요성

저 SNR 환경에서는 잡음의 영향으로 레이더 신호의 검출과 파형 분류가 어려워집니다. 시간·주파수 해상도를 높이면 파형의 세부 구조를 더 잘 표현할 수 있지만, STFT 입력 크기와 CNN 연산량이 함께 증가합니다.

실제 SDR/FPGA 시스템에서는 분류 정확도만으로 구현 가능성을 판단하기 어렵습니다. Fixed-point 연산과 quantization, streaming data flow, packet interface, FPGA 자원 사용량, 처리 지연을 함께 고려해야 실제 수신 경로에 적용할 수 있습니다.

따라서 이 페이지는 같은 저 SNR 레이더 인식 문제를 두 가지 관점에서 다룹니다. 첫 번째는 실제 RFNoC/FPGA 기반으로 수신부터 검출·분류까지의 실시간 처리 체인을 구현하는 연구이고, 두 번째는 하드웨어 적용을 고려해 고해상도 모델의 정보를 저해상도 모델에 전달하는 경량 레이더 분류 연구입니다.

저 SNR 수신 신호→실시간 FPGA 처리 체인 구현+계산 자원을 고려한 경량 모델 설계

세부 연구 A — RFNoC/FPGA 기반 실시간 레이더 신호처리 구현

문제 정의

소프트웨어에서 동작하는 레이더 검출·분류 알고리즘을 실제 SDR 환경에 적용하려면 연속적으로 입력되는 I/Q stream을 FPGA에서 처리해야 합니다. 단순히 CNN classifier만 FPGA에 구현하는 것이 아니라 다음 전체 processing chain을 하드웨어 제약 안에서 연결해야 합니다.

I/Q 수신→STFT / FFT→펄스열 검출→분류용 feature 생성→CNN 분류

Fixed-point 변환과 quantization으로 인해 소프트웨어와 하드웨어의 연산 결과가 달라질 수 있고, packet framing과 block 간 streaming이 끊기면 후단 분류까지 이어지지 않습니다. 따라서 detector부터 classifier까지 전체 data path의 동작을 함께 확인해야 합니다.

연구 배경과 필요성

RFNoC는 사용자 정의 FPGA processing block을 USRP의 radio streaming path에 연결할 수 있는 구조를 제공합니다. 이를 이용하면 Radio I/O, custom FPGA processing, host control을 하나의 SDR processing chain으로 구성할 수 있습니다.

RFNoC/FPGA 구현에서는 알고리즘 정확도 외에도 fixed-point arithmetic, quantization, packet framing, block 간 streaming, BRAM·DSP·LUT·FF 사용량을 함께 고려해야 합니다. 따라서 실제 OTA 환경에서 detector와 classifier가 연결된 전체 체인이 정상적으로 동작하는지 검증하는 것이 필요합니다.

제안 방법

전체 처리 흐름은 Radar I/Q를 fixed-point FFT/STFT로 변환한 뒤 RFNoC detector에서 펄스 구간을 찾고, 분류용 STFT magnitude feature를 생성해 HLS CNN classifier로 전달하는 구조로 구성했습니다.

Radar I/Q→Fixed-Point FFT / STFT→RFNoC Detector→STFT Magnitude Feature→HLS CNN Classifier→Radar Waveform Class

수신된 fixed-point I/Q sample은 128-point FFT 기반 STFT로 처리하고, detector는 유효 frequency bin의 power score를 이용해 pulse-train interval을 선택합니다. 검출된 구간에서는 고정 크기의 STFT magnitude feature를 만들고, 이를 uint8 형식으로 packing해 classifier block으로 전달합니다.

Classifier는 1 × 64 × 31 STFT magnitude를 입력으로 사용하고, weight·activation quantization과 HLS 기반 convolution 연산을 적용했습니다. RFNoC block은 AXI4-Stream과 AXI-Lite interface를 통해 연결하고, FPGA 안에서 검출부터 분류까지 packetized streaming이 이어지도록 구성했습니다.

Method 그림 2. PyTorch reference model, quantization, HLS/C++ design, RFNoC block integration, Vivado synthesis, USRP deployment로 이어지는 구현 흐름. 소프트웨어 모델을 FPGA에서 실행 가능한 형태로 변환하고 실제 장비에서 검증하는 절차를 보여준다.

실험 구성

실제 OTA 수신 데이터를 사용해 RFNoC/FPGA processing chain을 검증했습니다. 실험은 15개 radar waveform class와 −4 dB부터 10 dB까지 2 dB 간격의 SNR 조건으로 구성했으며, waveform·SNR별 기록을 합쳐 총 3,600개 OTA records를 사용했습니다.

검증 항목은 detector interval consistency, classifier input/output packet 처리, Pcov95, RFNoC/FPGA classification accuracy, end-to-end performance, FPGA resource usage입니다. OTA 송수신에는 SDR/USRP 기반 장비를 사용했고, RFNoC target은 Xilinx Kintex-7 계열 FPGA 환경에서 구성했습니다.

Experiment 그림 3. SDR/USRP 기반 OTA 송수신 실험 환경. 실제 무선으로 수신한 I/Q stream을 RFNoC/FPGA 처리 체인에 입력한 실험 환경이다.

Experiment 그림 4. RFNoC/FPGA 구현에 사용한 Xilinx Kintex-7 보드. 고정소수점 STFT, detector, HLS CNN classifier를 탑재한 FPGA 구현 환경을 보여준다.

실험 결과

3,600개 OTA records에서 RFNoC detector가 software reference와 동일한 detection interval을 출력했고, classifier input/output packet도 정상 처리되었습니다. Pcov95는 99.25%, RFNoC/FPGA classifier accuracy는 93.69%, end-to-end performance는 93.14%로 확인되었습니다.

Python/PyTorch reference와 비교했을 때 classifier accuracy 차이는 0.39%p, end-to-end 차이는 0.36%p였습니다. 이 결과는 FPGA 구현이 소프트웨어 기준보다 높다는 의미가 아니라, fixed-point와 quantized HLS inference를 적용한 뒤에도 detector–classifier 동작 특성이 가깝게 유지되었음을 보여줍니다.

Result 그림 5. Target SNR 변화에 따른 Python reference와 RFNoC/FPGA classification accuracy 비교. 동일한 OTA 수신 조건에서 소프트웨어 기준과 FPGA 구현의 분류 성능 변화를 비교한다.

Result 그림 6. Base RFNoC/USRP image에 detector, classifier, STFT를 추가했을 때의 LUT·FF·BRAM·DSP 사용량. FPGA 자원 수치는 원본 resource table에 표시된 누적값과 증가량을 기준으로 제시한다.

결론

이 세부 연구에서는 단순한 CNN FPGA 추론이 아니라 STFT 전처리, 펄스열 검출, 분류용 feature 생성, CNN 분류로 이어지는 전체 chain을 RFNoC/FPGA streaming 구조로 구현했습니다.

실제 OTA 환경에서 3,600개 기록의 detection interval consistency와 packet 처리, Pcov95, 분류 정확도, end-to-end performance, FPGA resource usage를 함께 확인했습니다. 이를 통해 소프트웨어에서 동작하던 레이더 처리 흐름을 fixed-point와 quantization을 적용한 실제 SDR/FPGA 수신 경로로 통합할 수 있는지를 검증했습니다.

세부 연구 B — Cross-Resolution Knowledge Distillation 기반 경량 레이더 분류

문제 정의

고해상도 STFT는 레이더 파형의 세부적인 시간·주파수 특징을 표현하는 데 유리하지만 입력 크기와 CNN 연산량이 증가합니다. 반대로 저해상도 STFT는 연산량을 줄일 수 있지만 분류에 필요한 세부 특징이 손실될 수 있습니다.

따라서 고해상도 모델의 표현력을 학습 단계에서 활용하면서, 추론 단계에서는 저해상도 입력과 경량 Student model만 사용하는 방법이 필요합니다.

연구 배경과 필요성

실제 edge/FPGA 환경에서는 classification accuracy뿐 아니라 입력 해상도, 모델 연산량, memory와 FPGA resource 요구량을 함께 고려해야 합니다. 단순히 STFT를 downsampling하는 것만으로는 고해상도 입력이 제공하던 특징을 충분히 보존하기 어렵습니다.

이 연구에서는 128×128 STFT를 사용하는 Teacher model의 정보를 64×64 STFT를 사용하는 Student model에 전달하는 Cross-Resolution Knowledge Distillation을 구성했습니다. 저 SNR에서의 조건 차이를 반영하기 위해 SNR-Weighted CRKD Loss를 사용하고, inference에서는 Teacher나 KD 연산 없이 Student만 사용하도록 설계했습니다.

제안 방법

학습 단계에서 Teacher path는 128×128 STFT와 frozen Teacher model로 Teacher logits를 만들고, Student path는 64×64 STFT와 Student model로 Student logits를 만듭니다. 두 logits는 SNR-Weighted CRKD Loss에 사용되며 Student model만 update합니다.

128×128 STFT→Frozen Teacher→Teacher logits+64×64 STFT→Student logits→SNR-Weighted CRKD Loss

추론 단계에서는 64×64 STFT를 Student model에 입력하고 predicted class를 출력합니다. Teacher model과 KD loss는 학습 단계에서만 사용되므로, 실제 inference에는 Student model의 연산만 남습니다.

Method 그림 7. 고해상도 Teacher와 저해상도 Student를 학습 단계에서 함께 사용하고, inference에서는 Student만 사용하는 Cross-Resolution KD 구조. SNR-Weighted CRKD Loss로 Student를 update하고 추론 시에는 추가적인 Teacher·KD overhead를 제거하는 흐름을 보여준다.

실험 구성

분류 성능은 128×128 Teacher, 64×64 Student CE, 64×64 Proposed CRKD를 비교하는 방식으로 구성했습니다. 또한 32×32 입력 조건을 함께 확인해 입력 해상도 감소가 성능과 계산량에 미치는 영향을 비교했습니다.

효율 비교에서는 STFT resolution, CNN MACs, parameter 수, full-image BRAM analysis를 함께 확인했습니다. 비교 수치는 원본 표와 그래프에 표시된 항목만 사용했으며, 별도의 latency나 resource 감소율은 이미지에 직접 표시된 경우에만 해석했습니다.

Result 그림 8. 128×128 Teacher, 64×64 Student, Proposed CRKD, 32×32 조건의 정확도·MACs·BRAM 비교. 고해상도 Teacher의 성능과 저해상도 Student 및 CRKD 변형의 분류·연산·자원 지표를 표로 비교한다.

Result 그림 9. Full-image BRAM utilization과 measured SNR에 따른 Teacher·Student·Proposed CRKD 비교. 저해상도 CRKD가 고해상도 Teacher의 표현을 활용하면서 자원 제약과 SNR 변화에 대응하는 양상을 보여준다.

실험 결과

64×64 Student CE는 all-SNR average 96.525%, low-SNR average 87.852%로 표시되었고, 64×64 Proposed CRKD(hard)는 각각 97.051%, 89.926%로 표시되었습니다. 같은 64×64 입력에서 CRKD를 적용한 Student가 기본 Student보다 높은 표 값을 보였습니다.

32×32 조건에서도 Proposed CRKD(hard)는 Student CE보다 all-SNR average와 low-SNR average가 각각 93.616%와 83.407%로 높게 표시되었습니다. 다만 32×32 입력의 절대 성능은 64×64 조건보다 낮게 나타나 입력 해상도와 성능 사이의 trade-off를 확인할 수 있습니다.

연산량과 자원 측면에서는 표에 128×128 Teacher의 CNN MACs가 66.652M, 64×64 Student와 Proposed CRKD가 16.664M, 32×32 조건이 4.168M으로 표시되어 있습니다. 64×64와 32×32 조건의 BRAM analysis도 각각 97.29%와 74.54%로 표시되어 고해상도 Teacher 대비 낮은 해상도 입력의 자원 부담이 줄어드는 방향을 확인할 수 있습니다.

결론

이 세부 연구에서는 128×128 고해상도 Teacher의 표현을 64×64 저해상도 Student에 전달하는 Cross-Resolution Knowledge Distillation을 설계했습니다. SNR-Weighted CRKD Loss를 이용해 Student만 update하고, 추론 단계에서는 64×64 STFT와 Student model만 사용하도록 구성했습니다.

고해상도 입력의 정보를 학습 단계에서 활용하면서도 실제 inference는 저해상도 입력과 Student-only 구조로 수행해 분류 성능과 계산 자원 사이의 균형을 조정할 수 있다는 점이 핵심입니다.

중첩 레이더 신호 인지

Mon, 01 Jan 0001 00:00:00 +0000

연구 배경과 필요성

LPI(Low Probability of Intercept) 레이더는 낮은 송신 전력과 다양한 파형 설계를 사용하기 때문에 수신 신호가 약하고, 신호의 형태도 쉽게 드러나지 않습니다. 여기에 여러 레이더가 같은 시간과 주파수 대역을 사용하면 수신 신호가 서로 중첩되어 단일 레이더 신호만 관측된다는 가정이 성립하지 않습니다.

이러한 환경에서는 수신 구간에 어떤 레이더 파형이 포함되어 있는지를 하나만 선택하는 것보다, 여러 파형의 존재 여부를 동시에 판단하는 것이 중요합니다. 중첩된 LPI 레이더 신호를 안정적으로 인지하면 이후의 신호 분석과 파형 식별을 위한 기본 정보를 확보할 수 있습니다.

문제 정의

기존의 단일 라벨 분류 방식은 하나의 입력에 하나의 파형만 존재한다고 가정합니다. 그러나 실제 공존 환경에서는 여러 레이더 신호가 시간·주파수 영역에서 겹치며, 각 신호의 세기와 중첩 정도도 달라집니다. 이때 단일 라벨로 결과를 출력하면 함께 존재하는 신호를 놓치거나, 강한 신호 하나만으로 입력을 잘못 설명할 수 있습니다.

따라서 핵심 문제는 중첩된 수신 신호에서 각 레이더 파형의 존재 여부를 독립적으로 판단하는 것입니다. 본 연구는 이를 다중 라벨 인식 문제로 정식화하고, LPI 레이더 신호가 공존하는 조건에서도 복수 파형을 동시에 인지하는 방법을 설계했습니다.

여러 레이더 신호가 같은 시간·주파수 자원에서 공존하는 상황

제안 방법

중첩 LPI 레이더 입력→시간·주파수 표현→ResNeXt 특징 추출→다중 라벨 예측→파형 존재 인지

중첩 신호 구성: 여러 LPI 레이더 신호가 같은 관측 구간에 존재하는 공존 조건을 구성합니다.
시간·주파수 특징 추출: 중첩된 신호의 구조를 표현할 수 있도록 수신 신호를 시간·주파수 영역에서 분석합니다.
다중 라벨 분류: 하나의 수신 구간에 포함된 복수 레이더 파형을 독립적인 라벨로 동시에 예측합니다.
ResNeXt 기반 인식: 중첩 신호의 특징을 학습하고 파형별 존재 여부를 출력하는 분류 구조를 적용합니다.

연구 수행 및 결과

2021–2022: 공존·중첩 신호 환경을 분석하고 레이더 파형 인식 조건을 정립했습니다.
2023: LPI 레이더 중첩 신호 인지를 위한 ResNeXt 기반 다중 라벨 분류 연구를 학회에서 발표했습니다.

중첩 신호 입력다중 라벨 인식LPI 레이더 분석

중첩 환경에서 하나의 대표 파형만 고르는 방식의 한계를 보완하고, 하나의 수신 구간에 함께 존재하는 여러 레이더 신호를 동시에 인지하는 연구 방향을 제시했습니다.

결론

중첩 레이더 신호 인지는 단일 파형 분류보다 실제 수신 환경에 가까운 문제입니다. 본 연구는 LPI 레이더 신호의 공존 상황을 다중 라벨 인식 문제로 다루고, ResNeXt 기반 분류 구조를 통해 복수 파형의 존재를 동시에 판단하는 기반을 마련했습니다.

윤재혁 | Jaehyeok Yoon

SAVOR: Semantic Attribute-Guided Vision-Language Framework for Open-Set Radar Waveform Recognition

연구 실적

연구자 이력

RFNoC/FPGA 기반 LPI 레이다 펄스열 검출 및 분류기 구현

Unsupervised Unknown Radar Waveform Detection

High-Accuracy Radar Parameter Estimation Under Low SNR Environments

Carrier Frequency Estimation of Low SNR Radar Signal Based on Denoising Autoencoder and DBSCAN

Radar-Camera 기반 스켈레톤 추정

연구 배경과 필요성

문제 정의

제안 방법

실제 검증

주요 결과

관련 성과

UWB CIR 기반 NLOS/LOS 분류

연구 배경과 필요성

문제 정의

제안 방법

실험 환경과 사례

주요 결과

결론

Publication

Vision-Language 기반 미지 레이더 신호 인식

연구 배경과 필요성

문제 정의

연구 목표

왜 Vision-Language Model을 사용하는가

제안 방법

Semantic Attribute Construction

Known-Class Attribute Text

Attribute-Aware Base Text

Stage 1 — Known Semantic Alignment

Stage 2 — Unknown-Aware Representation Learning

TDU — Text-Driven Unknown Modeling

IVU — Image-Space Virtual Unknown Modeling

TDU와 IVU를 함께 사용하는 이유

Open-Set Inference

모델 및 입력 설정

평가 지표

실험 파형 및 파라미터 구성

Experiments(시뮬레이션)

Single-Unknown protocol

Two-Unknown protocol

시뮬레이션 채널 조건

AUC-OSCR 결과

Measurements(실측)

연구의 한계

결론

관련 성과

레이더 신호 검출 및 제원 추정

연구 배경과 필요성

문제 정의

Wigner-Hough Transform 기반 방법

Change Point Detection 기반 방법

Pulse Presence Detection과 Interval Localization

연구 목표

전체 처리 구조

왜 주파수 영역에서 Pulse를 먼저 찾았는가

Frequency-Domain Pulse Detection

왜 STFT를 사용했는가

UNet-Based Denoising

CCA-Based Edge Detection

Edge-Based Parameter Computation

핵심 아이디어

실험 파형 및 파라미터 구성

Experiments(시뮬레이션)

왜 AUC를 Detection Metric으로 사용했는가

파라미터 추정 결과

Measurements(실측)

실측 결과

연구의 한계

결론

관련 성과

미확인 레이다 파형 탐지 및 Open-Set 인식

연구 질문

연구 발전 과정

Study 1 · Reconstruction-Based Unknown Detection

처리 흐름

핵심 방법