Klasifikace radiových modulací pomocí strojového učení
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Bakalářská práce se zabývá klasifikací rádiových modulací pomocí metod hloubkového učení. V práci jsou navrženy čtyři architektury, kde tři z nich jsou tvořeny pomocí konvolučních a rekurentních neuronových sítí a čtvrtá využívá architekturu transformátorů. Při návrhu architektur byl brán v potaz výsledný počet parametrů jednotlivých sítí, který může výrazně ovlivňovat výslednou velikost sítě. Pro účely návrhu byl využit programovací jazyk Python a knihovna Keras, která umožňuje práci s neuronovými sítěmi. Výsledky práce jsou následně zhodnoceny a porovnány s výsledky sítí navržených v článcích zabývajících se tímto tématem.
The bachelor thesis is focused on radio modulation classification with a deep learning approach. There are four deep learning architectures presented in the thesis. Three of them use convolutional and recurrent neural networks, and the fourth uses a transformer architecture. The final number of parameters of each model was considered during the design phase, as it can have a big impact on a memory footprint of a deployed model. The architectures were written in Keras, which is a software library, which provides a Python interface for neural networks. The results of the architectures were additionally compared to results from other research papers on this topic.
The bachelor thesis is focused on radio modulation classification with a deep learning approach. There are four deep learning architectures presented in the thesis. Three of them use convolutional and recurrent neural networks, and the fourth uses a transformer architecture. The final number of parameters of each model was considered during the design phase, as it can have a big impact on a memory footprint of a deployed model. The architectures were written in Keras, which is a software library, which provides a Python interface for neural networks. The results of the architectures were additionally compared to results from other research papers on this topic.
Description
Citation
PIJÁČKOVÁ, K. Klasifikace radiových modulací pomocí strojového učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Document type
Document version
Date of access to the full text
Language of document
en
Study field
bez specializace
Comittee
prof. Ing. Lubomír Brančík, CSc. (předseda)
doc. Ing. Jiří Blumenstein, Ph.D. (místopředseda)
doc. Ing. Martin Štumpf, Ph.D. (člen)
doc. Ing. Petr Marcoň, Ph.D. (člen)
Ing. Aleš Povalač, Ph.D. (člen)
Date of acceptance
2021-06-15
Defence
Studentka prezentuje výsledky své bakalářské práce a následně odpovídá na otázky komise.
Otázky oponenta (prof. Maršálek):
Můžete vysvětlit varianty "Leaky ReLu, SeLu, ELU", a uvést jejich vlastnosti/výhody? Studentka správně a názorně odpovídá.
Pokoušela jste se kvantifikovat přesnost klasifikace v závislosti na počtu vzorků, resp. době trvání vstupního signálu? Například kolik symbolů QAM je pro dané SNR potřeba pro spolehlivou klasifikac? Studentka správně a názorně odpovídá.
Jakým způsobem je do vaší aplikace v pythonu možno přidávat vlastní datové sady? Studentka správně a názorně odpovídá.
doc. Blumenstein: Jaká je motivace vaší práce? Studentka rozsáhle popisuje využití a motivaci celé práce.
doc. Marcoň: Přemýšlela jste o nějakém dalším parametru pro výjádření chyb? Podle studentky by tento parametr neměl význam, protože pracuje s předem danou přesností.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení