GPS/GNSS 재밍 신호 분류를 위한 CNN·전이학습 기반 특징 추출 연구

CNN and Transfer Learning for GPS/GNSS Jamming Classification

연구 내용

실제 GPS/GNSS 신호와 재밍 유형 데이터를 기반으로 CNN·전이학습으로 재밍을 분류하는 연구

본 연구는 GNSS/GPS 수신 환경에서 재밍 유형을 빠르게 판별하기 위한 머신러닝 기반 분류 체계를 다룹니다. 실제 GPS L1 C/A 신호와 실험 장비에서 생성한 다중 재밍 시나리오를 대상으로 CNN 기반 분류 모델을 구성하여 입력 신호의 패턴을 학습합니다. 이어서 smoothed pseudo-Wigner-Ville distribution(SPWVD)과 PSD를 융합한 overlapped 이미지 표현을 만들고, 전이학습으로 재밍 5종과 무재밍 케이스를 구분하는 방법을 제시합니다. 마지막으로 ResNet으로 특징을 추출한 뒤 SVM으로 분류기를 구성하여 재밍 단순 식별 성능을 확인합니다. 특히 신호 표현(스펙트로그램/이미지)과 분류기 조합을 체계적으로 비교하는 점이 핵심입니다.

관련 프로젝트

0건

연구 흐름

초기에는 실제 GPS L1 C/A 데이터와 실시간 발생 재밍 신호를 사용해 CNN 기반 재밍 분류의 적용 가능성을 검증했습니다. 이후에는 기존 분류에서 사용되던 단일 스펙트로그램/통계 표현의 한계를 고려하여, SPWVD-PSD를 중첩한 이미지 표현으로 입력 품질을 높이고 전이학습을 통해 학습 효율과 일반화 성능을 개선하는 방향으로 확장했습니다. 최근에는 ResNet 기반 특징 추출과 SVM 결합을 사용해 재밍 분류 파이프라인을 단순화하면서도 성능을 비교·평가하는 연구를 수행하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

GNSS 재밍 탐지 및 경보
수신기용 재밍 유형 자동 분류 모듈
실환경 학습 데이터 기반 분류기 구축
SPWVD·PSD 기반 신호 표현 생성
전이학습 기반 적응형 분류
다중 재밍 시나리오 대응 운용
위치추정 신뢰도 판단 로직
재밍 완화(RF/베이스밴드) 의사결정 지원
재밍 데이터 수집-학습 파이프라인
모의실험-실험 데이터 간 성능 매핑