Klasifikace RF signálů pomocí umělé inteligenci
Loading...
Date
Authors
Turák, Samuel
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Táto práca sa zameriava na klasifikáciu rádiofrekvenčných (RF) signálov založenú na hlbokom učení. Pre tento účeľ, tri neuronové siete sú vybrané a prezentované: Konvolučná Neurónová Sieť (CNN), Sieť s Bránovými Rekurentnými Jednotkami (GRU), Konvolučná Hlboká Neurónová Sieť s Bránami (CGDNN). Všetky sú trénované a vyhodnotené na viacerých datasetoch, ovplyvnené rôznymi RF rušeniami, pre klasifikáciu rôznych bezdrátových štandardov. Signály v jednotlivých datasetoch boli vytvorené pomocou aplikácie Wireless Waveform Generator v programu MATLAB. Jeden verejne dostupný dataset na klasifikáciu modulácie je takisto testovaný na modeloch. Použité prístupy k predspracovaniu dát, tréningu modelov a vyhodnoteniu modelov sú implementované v programovacom prostredí Python s využitím knižníc ako Scikit-learn a Keras. \mbox{Získané výsledky} sú prehľadne prezentované a diskutované.
This thesis focuses on Deep learning-based radio frequency (RF) signal classification. For this purpose, three neural networks are selected and introduced: Convolutional Neural Network (CNN), Gated Recurrent Unit Network (GRU) and Convolutional Gated Deep Neural Network (CGDNN). All are trained and evaluated on multiple datasets, influenced by different RF impairments, for wireless standard classification. The waveforms in these datasets have been created by the Wireless Waveform Generator app in MATLAB. One publicly available modulation classification dataset is also being tested on the models. The performed approaches of data preprocessing, model training and model evaluation are implemented in the programming environment Python, utilizing libraries such as Scikit-learn and Keras. The obtained results are evaluated and discussed.
This thesis focuses on Deep learning-based radio frequency (RF) signal classification. For this purpose, three neural networks are selected and introduced: Convolutional Neural Network (CNN), Gated Recurrent Unit Network (GRU) and Convolutional Gated Deep Neural Network (CGDNN). All are trained and evaluated on multiple datasets, influenced by different RF impairments, for wireless standard classification. The waveforms in these datasets have been created by the Wireless Waveform Generator app in MATLAB. One publicly available modulation classification dataset is also being tested on the models. The performed approaches of data preprocessing, model training and model evaluation are implemented in the programming environment Python, utilizing libraries such as Scikit-learn and Keras. The obtained results are evaluated and discussed.
Description
Citation
TURÁK, S. Klasifikace RF signálů pomocí umělé inteligenci [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.
Document type
Document version
Date of access to the full text
Language of document
en
Study field
bez specializace
Comittee
doc. Ing. Tomáš Frýza, Ph.D. (předseda)
doc. Ing. Ladislav Polák, Ph.D. (místopředseda)
Ing. Tomáš Urbanec, Ph.D. (člen)
doc. Ing. Jiří Šebesta, Ph.D. (člen)
Ing. Václav Navrátil, Ph.D. (člen)
Date of acceptance
2024-06-04
Defence
Student prezentuje svou závěrečnou práci - cíle, working process, použité datasety, data preprocessing, architekturu CNN, GRU, CGDNN, hyperparametry pro jednotlivé sítě, výsledky pomocí confusion matic a grafy přesnosti modelů v závislosti na SNR. Popisuje změny ve výsledcích při použití různých metod. Prezentaci shrnuje v závěru.
Doc. Polák čte zkrácený posudek vedoucího s navržením 91 bodů.
Doc. Polák čte zkrácený posudek oponenta s navržením 90 bodů.
Dotaz od oponenta: mohl by autor vysvětlit důvod nevyužití dropout vrstev? Student s pomocí grafů vysvětluje a ukazuje rozdíl ve výsledcích s použitím dropout vrstev a bez - druhá varianta podle grafů vykazuje lepší výsledky.
Doc. Frýza se zmiňuje o osách grafu a ujišťuje se o hodnotách. Dr. Urbanec: na jednom grafu máte přesnost v závislosti na SNR a vedle confusion matice; jaký je vztah těchto dvou forem výsledků? Student správně odpovídá. Dr. Navrátil má dotaz ohledně hodnot v jedné z matic, student vysvětluje. Doc. Šebesta: parametry kanálů jsou definovány fixně? Z čeho jste vycházel při volbě hodnot? Student odpovídá, že vychází z defaultních hodnot MATLABu, doc. Polák potvrzuje. Doc. Šebesta: jak dlouhá byla data? Vzorkování? Student se zamýšlí a žádá o zopakování otázky. Doc. Šebesta upřesňuje, student odpovídá.
Doc. Frýza ukončuje obhajobu a přechází k SZZ.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení