Print Friendly, PDF & Email

Künstliche Intelligenz (KI) ist schon seit Langem in einer Vielzahl von Bereichen auf dem Vormarsch. Bei der automatischen Bild- und Spracherkennung leistet sie beispielsweise seit Jahren sehr gute Dienste und hat moderne Anwendungen auf diesem Gebiet erst möglich gemacht. Daher haben wir bei PROCITEC bereits vor einiger Zeit damit begonnen, die Methoden der KI im Rahmen der Weiterentwicklung unserer Lösungen zur Funksignalaufklärung zu untersuchen und erfolgreich einzusetzen.

KI basiert sehr häufig auf dem Ansatz des Maschinellen Lernens (ML). Hierbei lernt ein Algorithmus selbständig, eine Aufgabe zu erfüllen, wobei ihm der Lösungsweg nicht vorgegeben ist. Diesen findet der Algorithmus durch eine spezielle Lernphase selbst.

Einen großen Durchbruch verzeichnete ML mit der Anwendung von tiefen Neuronalen Netzen (Deep Neural Networks, DNN). Diese können mittlerweile durch das so genannte Deep Learning (DL) immer komplexere Aufgaben lösen. Vor allem in den Bereichen Klassifikation und Mustererkennung liefern sie sehr gute Ergebnisse.

Zentrale Schritte bei der Aufklärung von Funksignalen sind deren Erkennung und Klassifikation. Es liegt daher nahe, neuronale Netze auch für diese Art von Problemen anzuwenden. In der Literatur finden sich hierzu mittlerweile zahlreiche Vorschläge. Sehr häufig werden diese Klassifikationsansätze dabei für den Einsatz im Bereich Cognitive Radio Systems vorgeschlagen, wo primär Aufgaben wie Spectrum Interference Monitoring und Dynamic Spectrum Access gelöst werden sollen.

Der Kernprozess der Funksignalaufklärung umfasst nicht nur die Erkennung und Klassifikation von Signalen. Dies ist nur ein Zwischenschritt auf dem Weg zur Extraktion von Signalinhalten und kann daher nicht isoliert betrachtet werden. Der Prozess lässt sich grob in folgende Schritte einteilen:

  • Detektion von Signals Of Interest (SOI)
  • Klassifikation der SOIs
    • Bestimmung der Modulationsart
    • Bestimmung des Übertragungsverfahrens
  • Demodulation und Decodierung (Extraktion des Signalinhalts)

Basierend auf der Detektion einzelner SOIs erfolgt im Anschluss deren Klassifikation. Hierbei werden die Modulationsart und schließlich das Übertragungsverfahren des Signals bestimmt. Ist Letzteres bekannt, kann das Signal demoduliert und decodiert werden.

Die Klassifikation kann auf Basis von ML-Ansätzen oder klassisch, durch Definition und direkte Messung charakteristischer Kenngrößen der einzelnen Modulationsarten bzw. Übertragungsverfahren, erfolgen. Letzteres wird auch als Expertensystem bezeichnet.

Bei PROCITEC wenden wir in unseren Softwareprodukten seit Jahren den hier beschriebenen Prozess für die Aufklärung von Funksignalen an. Dabei wird bislang erfolgreich auf Expertensysteme zur Klassifikation von SOIs gesetzt. Im Zuge der Weiterentwicklung und stetigen Verbesserung unserer Produkte haben wir begonnen, DNN basierte Ansätze mit in den Prozess zu integrieren.

In einem ersten Schritt wurde, für in unserer Software noch nicht unterstützte Modulationsarten, geprüft, ob DNN basierte Klassifikation zu guten Ergebnissen führt und wie man diese parallel zu unserem Expertensystem in den bestehenden Prozess integrieren kann. Die Basis bildeten hierbei aus der Literatur bekannte Ansätze.

Eine entscheidende Herausforderung bei der Nutzung eines DNNs ist, statistisch aussagekräftige Signalbeispiele in ausreichender Zahl für dessen Lernphase (Training) bereitzustellen. Da bei einem DNN die Entscheidung für eine Klasse, im Gegensatz zum Expertensystem, nicht transparent nachvollziehbar ist, muss sehr darauf geachtet werden, welche charakteristischen Eigenschaften der Trainingsdatensatz enthält und ob diese Daten die Realität widerspiegeln.

Darüber hinaus ist es bei der Generierung des Datensatzes wichtig, gewisse Signalparameter (z.B. Rauschen, Frequenzoffset, etc.) gezielt zu variieren, so dass das DNN später im realen Einsatz robust auf solche Variationen in den Signalen reagieren kann. Es hat sich gezeigt, dass ein ausreichender Datensatz mit vertretbarem Aufwand nur mithilfe künstlicher Signale erzeugt werden kann.

Es ist uns auf Basis so generierter Trainingsdaten gelungen, ein DNN erfolgreich einzulernen und anhand von realen Funksignalen für die Klassifikation zu evaluieren. Die Arbeiten erfolgten dabei in enger Zusammenarbeit mit einer lokalen Hochschule.

Im Anschluss konnte das neue DNN in die bestehende Software integriert werden. Großes Augenmerk lag dabei auf dem Zusammenspiel mit den bereits existierenden Komponenten im Gesamtprozess. Nach erfolgreichen Qualitätstests verfügen nun die go2signals Produkte der PROCITEC über erste KI basierte Klassifikatoren.

Die Erfahrungen aus der hier beschriebenen Entwicklung haben gezeigt, dass die Nutzung von DNNs für die Klassifikation von Funksignalen ein sehr großes Potenzial birgt. Daher werden wir dieses Thema bei PROCITEC weiter vorantreiben und gehen davon aus, dass die richtige Kombination aus den bewährten klassischen Ansätzen und den KI basierten Technologien zukünftig bessere Klassifikationsergebnisse liefert.

 

blank

PROCITEC GmbH
sales@procitec.de
www.procitec.de