딥러닝을 이용한 동일 주파수 대역에 공존하는 통신 및 레이더 신호 분리

Abstract

통신 신호와 레이더 신호가 동일 주파수 대역에서공존할 때 신호 중첩으로 인한 간섭이 불가피하게 발생하는데, 이로 인해 통신의 품질이 저하된다. 기존의주파수 필터링 방식은 주파수가 완전히 겹치는 상황에서 성능이 제한적이므로, 이를 해결하기 위해 딥러닝 기반 접근법이 주목받고 있다. 본 논문에서는 중첩된 통신 및 레이더 신호를 분리하기 위해 딥러닝모델인 U-Net과 Conv-TasNet을 사용하여 비트 오류율(Bit Error Rate, BER)을 통해 성능을 비교하였다. 실험 결과, 전반적으로 Conv-TasNet 방식이 U-Net 방식에 비해 BER이 낮게 나타났지만, 신호 대 간섭비(Signal-to-Interference Ratio, SIR)가 낮은 환경에서는 U-Net의 BER이 더 낮게 나타났다.

When communication signals and radar signals coexist in the same frequency band, interference due to signal overlap inevitably occurs, resulting in degraded communication quality. Traditional frequency filtering methods are limited in performance when the frequencies completely overlap, which has led to the growing attention towards deep learning-based approaches. In this paper, U-Net and Conv-TasNet, deep learning models, are used to separate the overlapped communication and radar signals, and their performance is compared in terms of Bit Error Rate (BER). The experimental results show that, overall, the Conv-TasNet approach yields a lower BER than the U-Net approach. However, in environments with low Signal-to-Interference Ratio (SIR), U-Net shows a lower BER than Conv-TasNet.