Optimization of deep learning models for real-time rf signal classifications on resource-constrained devices
Sınırlı kaynaklı cihazlarda derin öğrenme kullanarak gerçek zamanlı rf sinyal sınıflandırması optimizasyonu
- Tez No: 1003180
- Danışmanlar: DR. ÖĞR. ÜYESİ BARIŞ GÜRCAN HAKANOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Yazılım tanımlı radyo, Software defined radio
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Atılım Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması, karmaşık derin öğrenme modellerinin, gerçek zamanlı Radyo Frekansı (RF) sinyal sınıflandırması için kaynak kısıtlı uç cihazlarda (edge devices) optimize edilerek uygulanmasını amaçlamaktadır. Çalışma kapsamında, Otomatik Modülasyon Sınıflandırması (AMC) ve RF Cihaz Parmak İzi Belirleme (RFF) görevleri üzerine odaklanılmıştır. Deneysel süreçte, 11 farklı modülasyon türüne ek olarak sentetik GPS L1 C/A sinyalleriyle zenginleştirilmiş“RadioML-PlusGPS”veri seti ve 10 farklı Wi-Fi vericisinden toplanan özel bir I/Q veri seti kullanılmıştır. Modellerin performansı; NVIDIA RTX 5080 GPU, Raspberry Pi 4 Model B ve STM32 mikrodenetleyici platformları üzerinde kapsamlı bir şekilde kıyaslanmıştır. Tez kapsamında, başlangıç modeli olarak tasarlanan 0,5 milyon parametreli RFNet-Base CNN mimarisine ve Transformer-Encoder tabanlı RFF-Trans-Base mimarisine çeşitli optimizasyon teknikleri uygulanmıştır. Optimizasyon süreci; yapılandırılmış budama (structured pruning), 8-bit tam sayı nicemleme (INT8 quantization) ve bilgi damıtma (knowledge distillation) yöntemlerini içermektedir. Elde edilen sonuçlar, AMC görevinde RFNet-Pruned50-INT8 modelinin, orijinal model boyutuna göre %91,6'lık bir azalma ile 0,3 MB boyuta indiğini ve STM32H7 mikrodenetleyicisi üzerinde saniyede 14 örnek (SPS) işleme kapasitesine ulaştığını göstermiştir. Bu optimize edilmiş model, tüm Sinyal-Gürültü Oranlarında (SNR) %83,6 genel doğruluk sağlarken, 10dB SNR seviyesinde GPS sinyallerini %94,2 doğrulukla sınıflandırmayı başarmıştır. RFF görevinde ise bilgi damıtma ve budama yöntemleriyle geliştirilen KD-PSQTrans-RFF modeli, 1,8 MB olan öğretmen model boyutunu 95 KB seviyesine indirerek %94,7'lik bir sıkıştırma sağlamış ve %96,5 sınıflandırma doğruluğunu korumuştur. Çalışmanın genel bulguları, optimizasyon tekniklerinin bir arada kullanılmasının, çıkarım hızında 4,2 kata varan artış sağladığını ve gelişmiş derin öğrenme algoritmalarının askeri platformlar, bilişsel radyo ve spektrum izleme gibi milisaniye düzeyinde gecikme hassasiyeti gerektiren alanlarda, düşük güç tüketimli donanımlar üzerinde başarıyla çalıştırılabileceğini kanıtlamaktadır
Özet (Çeviri)
This thesis investigates the implementation and optimization of complex deep learning models for real-time Radio Frequency (RF) signal classification on resource-constrained edge devices. The research focuses on two primary tasks: Automatic Modulation Classification (AMC) and RF Device Fingerprinting (RFF). Experimental evaluations were conducted using the“RadioML-PlusGPS”dataset—an augmented version of RadioML 2016.10a including synthetic GPS L1 C/A signals—and a private I/Q dataset collected from 10 distinct Wi-Fi transmitters. Model performance was rigorously benchmarked across three hardware platforms: an NVIDIA RTX 5080 GPU, a Raspberry Pi 4 Model B, and an STM32 microcontroller. A systematic optimization methodology was applied to a baseline Convolutional Neural Network (CNN), RFNet-Base, and a Transformer-Encoder architecture, RFF-Trans-Base. The optimization suite included structured pruning, 8-bit post-training integer quantization (INT8), and response-based knowledge distillation. Quantitative results demonstrate that the optimized AMC model, RFNet-Pruned50-INT8, achieved a 91.6% reduction in model size to 210 KB and attained a throughput of 14 samples per second (SPS) on the STM32H7 microcontroller. This model maintained an overall accuracy of 83.6% across all signal-to-noise ratios (SNRs) and classified GPS signals with 94.2% accuracy at 10dB SNR. For the RFF task, the knowledge-distilled and pruned student model (KD-PSQTrans-RFF) reduced the teacher model's size from 1.8 MB to 95 KB (a 94.7% compression) while preserving a high classification accuracy of 96.5%. The findings indicate that the synergy of these optimization techniques enables up to a 4.2x inference speedup. This study concludes that advanced deep learning algorithms can be effectively deployed on low-power hardware for time-critical applications such as cognitive radio, electronic warfare, and spectrum monitoring, where millisecond-level latency is essential.
Benzer Tezler
- Novel approaches to radar signal deinterleaving and geolocation in the framework of optimization and deep learning
Radar sinyal ayrıştırma ve konum bulma için optimizasyon ve derin öğrenme tabanlı yeni yaklaşımlar
MUSTAFA ATAHAN NUHOĞLU
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Test verilerine dayalı, makine öğrenmesi ve derin öğrenme yöntemleri ile batarya sağlık durumu tahmini
Battery state of health estimation based on test data using machine learning and deep learning methods
MEHMET ALİ ARSLANTAŞ
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. FİKRET ÇALIŞKAN
- Enhanced fault detection in low voltage distributionsystems with innovative methods
Yenilikçi yöntemlerle alçak gerilim dağıtım sistemlerinde gelişmiş arıza tespiti
FIRAS SAADOON MOHAMMED AL-JUMAILI
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ONAT
- Çamaşır makinesinde yapay sinir ağları ile dengesiz yük miktarı tahmini
Estimation of unbalanced load weight in a washing machine using artificial neural networks
ONURCAN GÜNDOĞAN
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET FARUK BAKAN
- Forecasting arrivals to a call centre using machine learning and deep learning
Makine öğrenimi ve derin öğrenme kullanarak bir çağrı merkezine gelenlerin tahmin edilmesi
RUKIA KASAULI NAKKAZI
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET FATİH AKAY