MTL 기반 중첩 미상 신호 도래각 추정 및 자동 변조 분류

Abstract

본 논문에서는 다수의 신호원이 존재하는 전장 환경에서 중첩 미상 신호의 특성 추정을 위하여 MTL(multi-task learning) 기반 도래각 추정 및 자동 변조 분류 알고리즘을 제안한다. 각 신호 특성을 개별적으로 추정하는 기존 특성추정방식은동일한입력신호에대하여반복적으로연산을수행하여계산효율성이낮다. 이러한한계를극복하기위하여제안알고리즘은하나의딥러닝네트워크에서다수의독립작업을동시에수행하는MTL 구조의MoDANet을활용하며, 중첩 미상신호의분리, 탐지및특성추정을하나의시스템으로통합한다. 시뮬레이션결과제안알고리즘이개별작업의 직렬 수행대비낮은계산복잡도와높은추정성능을달성하는것을확인하였다.

This paper proposes a multi-task learning (MTL)-based algorithm for joint direction of arrival (DoA) estimation and modulation classification to process overlapping unknown signals in multi-source communication environments. Conventional methods estimate each characteristic independently, resulting in redundant computations and low efficiency. To overcome these limitations, the proposed algorithm employs MoDANet, an MTL-based deep learning model that performs multiple independent tasks concurrently and integrates signal detection, separation, and feature estimation into a unified system. Simulation results show that the proposed algorithm achieves lower computational complexity and improved estimation performance compared with sequential approaches for individual tasks.