PIJÁČKOVÁ, K. Klasifikace radiových modulací pomocí strojového učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Cílem bakalářské práce je navrhnout metody pro zpracování krátkých úseků signálů, které budou schopny spolehlivě identifikovat druh modulačního schématu. V bakalářské práci byly ověřeny 4 architektury – CLDNN, CGDNN, CNN a tzv. MCTransformer. Navržené architektury CLDNN a CGDNN byly schopny dosáhnout srovnatelných výsledků nebo překonat většinu architektur v odborné literatuře. Výstupem této práce jsou čtyři architektury hlubokého učení, které jsou veřejně dostupné v repozitáři GitHub. Předložená bakalářská práce je psaná systematicky, jazykem je angličtina. Studentka byla během vypracovávání práce velmi iniciativní. Výsledky práce úspěšně prezentovala na studentské konferenci EEICT a na vědecké konferenci MAREW 2021. Předloženou práci doporučuji k obhajobě.
Zadání práce je možné považovat za splněné. Práce je psána přehledně a dobře se čte. Je zaměřena do aktuální oblasti a prezentuje zajímavé konfigurace neuronových sítí, jejich optimalizaci a dosažené výsledky. Přesto se v textu vyskytly některé nedostatky: dovoluji si předpokládat, že rovnice 1.24 neplatí v časové, ale spíše ve frekvenční oblasti. V úvodní části práce jsou poměrně obsáhle popsány základní obecné principy rádiové komunikace, nicméně podrobnější popis jednotlivých modulačních formátů (dále analyzovaných) jsem v teoretické části nenašel. Není mi také jasné, na jakých datech probíhalo učení pro generování obrázku 4.2 a co znamená zkratka „MCTransformer“. I přes výše uvedené nedostatky ale práci hodnotím jako nadstandardní a hodnotím stupněm A/95 bodů.
eVSKP id 133594