Efficient and Trainable Detection and Classification of Radio Signals

Effiziente und trainierbare Detektion und Klassifikation von Funksignalen

  • Robuste und effiziente Verfahren zur Funksignaldetektion und -klassifikation werden sowohl in zivilen als auch nicht-zivilen Bereichen benötigt. Der gegenwärtige Stand der Technik basiert auf einer getrennten Detektion und Klassifikation. In dieser Arbeit wird ein neuer und integrierter Ansatz beschrieben. Das vorgestellte Verfahren vereint die Erkenntnisse aus Funkaufklärung und aus kognitivem Funk mit modernen Mustererkennungsansätzen. Aufgrund der stets ansteigenden Zahl neuer Funkgeräte und -verfahren, kann das vorgeschlagene System einfach an neue Situationen angepasst werden. Der Fokus aller Verfahrensstufen wird auf Techniken des maschinellen Lernens gelegt. Ein Teil der VerfahrensstuRobuste und effiziente Verfahren zur Funksignaldetektion und -klassifikation werden sowohl in zivilen als auch nicht-zivilen Bereichen benötigt. Der gegenwärtige Stand der Technik basiert auf einer getrennten Detektion und Klassifikation. In dieser Arbeit wird ein neuer und integrierter Ansatz beschrieben. Das vorgestellte Verfahren vereint die Erkenntnisse aus Funkaufklärung und aus kognitivem Funk mit modernen Mustererkennungsansätzen. Aufgrund der stets ansteigenden Zahl neuer Funkgeräte und -verfahren, kann das vorgeschlagene System einfach an neue Situationen angepasst werden. Der Fokus aller Verfahrensstufen wird auf Techniken des maschinellen Lernens gelegt. Ein Teil der Verfahrensstufen basiert auf unüberwachtem Lernen, ein anderer Teil auf überwachtem Lernen. Die letzteren benötigen einen Trainingsdatensatz, um die eigenen Betriebsparameter zu schätzen. Hierzu ist das Generic Radio Scenario Corpus, welches mehr als 3730,00 MB an Breitbandszenarien mit mehr als 875 annotierte Übertragungen enthält, erstellt worden. Für das überwachte Lernen wird eine optimierte Version eines AdaBoost Klassifikators verwendet. Für die Entscheidungen kann der Klassifikator auf eine große Merkmalsbasis, bestehend aus herkömmlichen Merkmalen, wie z.B. der spektralen Form, und moderneren Merkmalen, wie z.B. den Haar- oder Cepstralmerkmalen, zurückgreifen. Die jeweiligen Merkmale werden nur extrahiert, wenn sie benötigt werden, und werden derart kombiniert, dass sie die Gesamtqualität und -effizienz steigern. Ein Prototyp ist von zwei Einrichtungen, der MEDAV GmbH und einer europäischen Behörde, evaluiert worden. Es war möglich, eine hohe Treffsicherheit zu zeigen, und das Systemverhalten unter realen Bedingungen erfolgreich zu demonstrieren.show moreshow less
  • The strong need for robust and efficient radio signal detection and classification can be found both in civil and non-civil applications. Most of the current state-of-the-art systems are based on a separated version of detection and classification. Within this work, a new integrated approach is presented. The proposed system combines the insights into communications intelligence, cognitive radio and modern pattern recognition ideas. Due to the reason that the number of modems and waveforms is continuously growing, the proposed framework is easily adaptable to new situations. Thus, it is focused on machine learning methods as a basis for all processing stages. Some of these stages use unsuperThe strong need for robust and efficient radio signal detection and classification can be found both in civil and non-civil applications. Most of the current state-of-the-art systems are based on a separated version of detection and classification. Within this work, a new integrated approach is presented. The proposed system combines the insights into communications intelligence, cognitive radio and modern pattern recognition ideas. Due to the reason that the number of modems and waveforms is continuously growing, the proposed framework is easily adaptable to new situations. Thus, it is focused on machine learning methods as a basis for all processing stages. Some of these stages use unsupervised learning and some supervised learning methods. The latter need a training data set to estimate their working parameters. For this reason, the generic radio scenario corpus, which contains more than 3730.00 MB of wideband scenarios with more than 875 labeled narrowband emissions, was established. The supervised learning blocks are supported by an improved version of an AdaBoost classifier. To make a decision, the classifier can fall back on a big feature pool consisting of traditional features, e.g. spectral form, and more modern features, e.g. Haar-like features or cepstral based features. The applied features are extracted on demand and combined in a specific way to improve the classification accuracy and to increase the system performance. A prototype was evaluated by two institutions, the MEDAV GmbH and a European agency. It was possible to show the high accuracy of the framework and to demonstrate successfully the processing under real-world conditions.show moreshow less

Download full text files

Export metadata

  • Export Bibtex
  • Export RIS

Additional Services

Share in Twitter Search Google Scholar
Metadaten
Author:Dirk Kolb
URN:urn:nbn:de:bvb:29-opus-34843
Advisor:Elmar Nöth
Document Type:Doctoral Thesis
Language:English
Date of Publication (online):2012/09/10
Publishing Institution:Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU)
Granting Institution:Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), Technische Fakultät
Date of final exam:2012/07/30
Release Date:2012/09/10
Tag:Classification; Detection; Pattern Recognition; Radio Signal
SWD-Keyword:Automatische Klassifikation; Funksignal; Klassifikation; Mustererkennung; Rundfunksignal
Institutes:Technische Fakultät -ohne weitere Spezifikation-
Dewey Decimal Classification:004 Datenverarbeitung; Informatik

$Rev: 12793 $