Unknown Waveform Detection | 윤재혁 | Jaehyeok Yoon

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.

Unknown Waveform Detection | 윤재혁 | Jaehyeok Yoon

미확인 레이다 파형 탐지 및 Open-Set 인식

연구 질문

연구 발전 과정

Study 1 · Reconstruction-Based Unknown Detection

처리 흐름

핵심 방법

대표 결과

다음 연구가 필요했던 이유

Study 2 · Semantic Open-Set Radar Waveform Recognition

SAVOR 처리 흐름

대표 결과

별도의 시스템 구현 연구

관련 논문 및 학회 발표

연구 질문

연구 발전 과정

Study 1 · Reconstruction-Based Unknown Detection

처리 흐름

핵심 방법

대표 결과

다음 연구가 필요했던 이유

Study 2 · Semantic Open-Set Radar Waveform Recognition

SAVOR 처리 흐름

대표 결과

별도의 시스템 구현 연구

관련 논문 및 학회 발표

비지도 학습 기반 미지 레이더 파형 탐지

연구 배경과 필요성

문제 정의

연구 목표

핵심 방법

DSAE: clean reference 없이 noise suppression

MAAE: known pattern만 이용한 reconstruction

핵심 아이디어

DSAE와 MAAE가 왜 둘 다 필요한가

Latent size와 memory size가 중요한 이유

실험 파형 및 파라미터 구성

Experiments(시뮬레이션)

Known / Unknown protocol

시뮬레이션 채널 조건

Unknown detection 결과

Reconstruction error

Measurements(실측)

연구의 한계

결론

관련 성과