Sınırlı kaynaklı cihazlarda derin öğrenme kullanarak gerçek zamanlı rf sinyal sınıflandırması optimizasyonu

Abstract

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

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.