REPOZITORIJ > REZULTATI

Povzetek

Hitro naraščanje podatkovnega prometa in raznolikost naprav sta v zadnjem desetletju
spodbudila izrazit razvoj brezžičnih komunikacijskih omrežij, kar povečuje pritisk na radiofrekvenčni
spekter. Ta predstavlja omejen naravni vir, katerega izkoriščenost ostaja
neenakomerna in časovno spremenljiva, zato je optimizacija rabe spektra zelo aktualna
raziskovalna smer. Za zanesljivo optimizacijo je potrebno neprekinjeno zavedanje o dinamičnem
radijskem okolju, kar zajema zaznavanje oddanih signalov, prepoznavanje radijskih
tehnologij in sledenje vzorcem zasedenosti spektra, s čimer se lahko preko povratne informacije
ustrezno prilagajajo parametri omrežja.
Modeli globokega učenja so v zadnjem desetletju pokazali izjemne zmogljivosti prepoznavanja
signalov in so pri nalogah razvrščanja znatno presegli klasične pristope. Njihovo
uporabo pa omejujeta zahtevnost označevanja in posledično pomanjkanje označenih podatkov
v realnih pogojih delovanja. Pojav arhitektur odprtega radijskega dostopovnega
omrežja (O-RAN) in odprtih eksperimentalnih okolij, ki prek standardiziranih vmesnikov
omogočajo dostop do obsežnih neoznačenih spektralnih podatkov, sta ustvarila priložnost
za uporabo pristopov nenadzorovanega globokega učenja, ki se samodejno učijo iz neoznačenih
podatkov ter s tem zmanjšujejo ali odpravljajo potrebo po ekspertnem označevanju.
Disertacija preučuje nenadzorovano globoko učenje s poudarkom na globokem razvrščanju
v gruče (angl. deep clustering) kot razširljivem in praktično uporabnem pristopu
za prepoznavanje tehnologij radijskega dostopa (RAT) iz neoznačenih spektralnih meritev.
Glavni prispevki so: (i) celovit pregled nenadzorovanega globokega učenja za prepoznavanje
brezžičnih signalov, ki povezuje izzive prepoznavanja z ustreznimi skupinami metod
nenadzorovanega učenja in opredeljuje odprte raziskovalne smeri; (ii) prilagoditev in primerjalno
vrednotenje arhitekture za globoko razvrščanje v gruče, zasnovane na uveljavljenih
modulih globokega učenja, za prepoznavanje tehnologij RAT iz spektrogramov; (iii)
postopek zaznavanja spektra brez oznak ter brez predhodnega poznavanja aktivnih RAT
ali pogojev delovanja, ki temelji na naknadni preslikavi gruč v razrede; ter (iv) vitka konvolucijska
nevronska mreža (CNN), vključena v ogrodje globokega razvrščanja in prilagojena
amplitudni predstavitvi hitre Fourierjeve transformacije (FFT) signalov RAT.
Rezultati kažejo, da globoko razvrščanje dosledno zagotavlja bolj diskriminativne predstavitve
kot referenčni pristopi. Sistematična prilagoditev modulov, razvitih za obdelavo
slik, za procesiranje spektrogramov, zmanjša kompleksnost modela do enega velikostnega
reda, hkrati pa ohrani ali izboljša učinkovitost razvrščanja v gruče do 2,5-krat. Namensko
razviti modul CNN za amplitude FFT signalov dodatno zmanjša število parametrov za dva
velikostna reda v primerjavi z modulom za obdelavo spektrogramov in za 22% v primerjavi
z najsodobnejšim pristopom, računsko zahtevnost pa zmanjša za 50%. Hkrati izboljša
ločljivost značilk in kakovost razvrščanja za 35 odstotnih točk v primerjavi z alternativno
arhitekturo, ki uporablja enake module. Validacija na več zbirkah realnih podatkov iz raznolikih
radijskih okolij potrjuje doslednost in praktično izvedljivost predlaganih pristopov.
S tem disertacija prispeva k podatkovno vodenemu zavedanju o rabi spektra kot osnovi
prihodnjih brezžičnih komunikacijskih omrežij z vgrajeno umetno inteligenco.