Radiosignaalien tunnistaminen neuroverkon avulla

Abstract

Tekoäly on kehittynyt viime vuosina huimaa tahtia ja sitä on alettu soveltaa uusien haasteiden ratkaisemiseksi. Yksi tällainen haaste on pitkään ollut useiden radiosignaalien luokittelu toisistaan riittävällä tarkkuudella. Tehokkaalla radiosignaalien luokittelulla pysyttäisiin valvomaan alati kasvavaa radioliikennettä sekä saamaan suurempi hyöty irti rajallisesta radiotaajuusspektristä. Aikaisemmat tutkimukset ovat luokitelleet radiosignaaleita käyttämällä keinotekoisesti luotua aineistoa, joka ei täysin vastaa oikean maailman haasteita ja ongelmia. Tämän tutkimuksen tarkoitus on kerätä oikeista signaaleista koostuva aineisto sekä rakentaa toimiva signaaleiden luokittelija syväoppimista (Deep Learning, DL) sekä hybridikuvia hyödyntämällä. Lisäksi tutkimuksessa tutkitaan tavallisen ohjelmistokehityksen sekä tekoälyn kehityksen eroavaisuuksia. Tutkimus tehtiin Jyväskylässä toimipistettään pitävälle yritys X:lle, jotka tarjosivat keinot signaalien tallentamiseen sekä resurssit mallien kouluttamiseen ja signaalien käsittelyyn. Tutkimustuloksista kävi ilmi, että radiosignaaleita on mahdollista luokitella hyvinkin tarkasti neuroverkkojen ja hybridikuvien avulla. Tutkimuksesta selvisi myös uusia haasteita, joita ei ollut otettu aikaisemmissa tutkimuksissa huomioon. Lisäksi selvisi, että ohjelmistokehitys ja tekoälyn kehitys eroavat toisistaan huomattavasti, jotka saattavat vaikuttaa suuresti AI projektien onnistumiseen. Toimiva ja skaalautuva malli tarvitsee itselleen paljon tukijärjestelmiä ja ohjelmia, jotta lopputuloksesta tulee helpommin ylläpidettävä ja käytettävä kokonaisuus.

Artificial intelligence has developed at a rapid pace in recent years and has begun to be applied to meet new challenges. One such challenge has long been the classification of several radio signals with sufficient accuracy. Efficient classification of radio signals would make tracking and controlling of the ever-increasing radio traffic and make greater use of the limited radio frequency spectrum. Previous studies have classified radio signals using artificially generated data that does not fully meet the challenges and problems of the real world. The purpose of this study is to collect data consisting of real signals and to build a working signal classifier using deep learning and hybrid images. In addition, the study examines the differences between ordinary software development and the development of artificial intelligence. The study was carried out for Company X, which has an office in Jyväskylä. The Company X provided the means to record signals and resources for model training and signal processing. The results of the study showed that it is possible to classify radio signals very accurately using neural networks and hybrid images. The study also revealed new challenges that had not been addressed in the previous studies. In addition, it became clear that software development and the development of artificial intelligence differ significantly, and it may be a key factor in success of AI projects. A functional and scalable model needs a lot of support systems and programs to make the solution easier to maintain and use.