Klasifikace radiových modulací pomocí strojového učení

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.