but.committee	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)	cs
but.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.	cs
but.jazyk	angličtina (English)
but.program	Elektronika a komunikační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Polák, Ladislav	en
dc.contributor.author	Turák, Samuel	en
dc.contributor.referee	Ulovec, Karel	en
dc.date.created	2024	cs
dc.description.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.	en
dc.description.abstract	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.	cs
dc.description.mark	A	cs
dc.identifier.citation	TURÁK, S. Klasifikace RF signálů pomocí umělé inteligenci [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.	cs
dc.identifier.other	159073	cs
dc.identifier.uri	http://hdl.handle.net/11012/245919
dc.language.iso	en	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	Rádiofrekvenčné (RF) signály	en
dc.subject	hlboké učenie	en
dc.subject	neurónová sieť	en
dc.subject	dataset	en
dc.subject	RF rušenia	en
dc.subject	Python	en
dc.subject	MATLAB	en
dc.subject	Radiofrequency (RF) signals	cs
dc.subject	deep learning	cs
dc.subject	neural network	cs
dc.subject	dataset	cs
dc.subject	RF impairments	cs
dc.subject	Python	cs
dc.subject	MATLAB	cs
dc.title	Klasifikace RF signálů pomocí umělé inteligenci	en
dc.title.alternative	AI-based classification of RF signals	cs
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2024-06-04	cs
dcterms.modified	2024-06-05-12:40:05	cs
eprints.affiliatedInstitution.faculty	Fakulta elektrotechniky a komunikačních technologií	cs
sync.item.dbid	159073	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.26 14:41:22	en
sync.item.modts	2025.01.17 14:27:00	en
thesis.discipline	bez specializace	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav radioelektroniky	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Klasifikace RF signálů pomocí umělé inteligenci

Files

Original bundle

Collections