Bachelor's Thesis

Radio Modulation Recognition Networks

Final Thesis 6.47 MB Appendix 2.01 MB

Author of thesis: Ing. Kristýna Pijáčková

Acad. year: 2020/2021

Supervisor: doc. Ing. Tomáš Götthans, Ph.D.

Reviewer: prof. Ing. Roman Maršálek, Ph.D.

Abstract:

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.

Keywords:

Radio modulation, classification, neural network, deep learning, Python, CNN, RNN

Date of defence

15.06.2021

Result of the defence

Defended (thesis was successfully defended)

znamkaAznamka

Grading

A

Process of 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.

Language of thesis

English

Faculty

Fakulta elektrotechniky a komunikačních technologií

Department

Department of Radio Electronics

Study programme

Electronics and Communication Technologies (BPC-ECT)

Composition of Committee

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)
doc. Ing. Aleš Povalač, Ph.D. (člen)

Supervisor’s report
doc. Ing. Tomáš Götthans, Ph.D.

Cílem bakalářské práce je navrhnout metody pro zpracování krátkých úseků signálů, které budou schopny spolehlivě identifikovat druh modulačního schématu. V bakalářské práci byly ověřeny 4 architektury – CLDNN, CGDNN, CNN a tzv. MCTransformer. Navržené architektury CLDNN a CGDNN byly schopny dosáhnout srovnatelných výsledků nebo překonat většinu architektur v odborné literatuře.  Výstupem této práce jsou čtyři architektury hlubokého učení, které jsou veřejně dostupné v repozitáři GitHub.

Předložená bakalářská práce je psaná systematicky, jazykem je angličtina. Studentka byla během vypracovávání práce velmi iniciativní. Výsledky práce úspěšně prezentovala na studentské konferenci EEICT a na vědecké konferenci MAREW 2021.

Předloženou práci doporučuji k obhajobě. Points proposed by supervisor: 100

Grade proposed by supervisor: A

Reviewer’s report
prof. Ing. Roman Maršálek, Ph.D.

Zadání práce je možné považovat za splněné. Práce je psána přehledně a dobře se čte.  Je zaměřena do aktuální oblasti a prezentuje zajímavé konfigurace neuronových sítí, jejich optimalizaci a dosažené výsledky.

Přesto se v textu  vyskytly některé nedostatky:  dovoluji si předpokládat, že rovnice 1.24 neplatí v časové, ale spíše ve frekvenční oblasti. V úvodní části práce jsou poměrně obsáhle popsány základní obecné principy rádiové komunikace, nicméně podrobnější popis jednotlivých modulačních formátů (dále analyzovaných) jsem v teoretické části nenašel.  Není mi také jasné, na jakých datech probíhalo učení pro generování obrázku 4.2 a co znamená zkratka „MCTransformer“.

I přes výše uvedené nedostatky ale práci hodnotím jako nadstandardní a hodnotím stupněm A/95 bodů. Topics for thesis defence:
  1. Můžete vysvětlit varianty „Leaky ReLu, SeLu, ELU,“ a uvést jejich vlastnosti / výhody ?
  2. 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 klasifikaci ?
  3. Jakým způsobem je do vaší aplikace v pythonu možno přidávat vlastní datové sady ?
Points proposed by reviewer: 95

Grade proposed by reviewer: A

Responsibility: Mgr. et Mgr. Hana Odstrčilová