Klasifikace RF signálů pomocí umělé inteligenci

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.