Algoritmy strojového učení pro bezdrátové síťové kódování fyzické vrstvy

Abstract

Tato práce se zabývá aplikacemi algoritmů strojové učení na bezdrátové síťové kódování fyzické vrstvy. Úvodní část textu poskytuje obecný přehled metod strojové učení, motivaci pro využití přístupu strojového učení a velmi stručný přehled principů bezdrátového síťového kódování fyzické vrstvy. Umělé neuronové sítě během posledních letech přitahovaly v oboru komunikace pozornost velkým rozsahem slibných aplikací. Dále jsou zde popsány a implementovány základní principy a metody trénování umělých neuronových sítí. Následně bylo popsáno několik ukázkových úloh v základních scénářích bezdrátového síťového kódování fyzické vrstvy a byla navržena a počítačovými simulacemi testována jejich řešení. Tyto scénáře se zaměřily především na problém klasifikace hierarchického symbolu v dvousměrném reléovém kanálu s modulacemi BPSK a QPSK. Uvažován byl také proměnný parametr relativního tlumení. Dosažené výsledky ukázaly, že natrénovaný systém založený na umělé neuronové síti je schopen tyto úkoly plnit a byla vyhodnocena jejich výkonnost. Byla také vynaložena snaha vyladit parametry natrénovaného systému a poskytnout jasnou vizuální reprezentaci výsledků.

This thesis deals with an application of machine learning (ML) algorithms in wireless physical layer network coding (WPLNC). An introductory part of the text provides a general overview of ML methods, a motivation for utilization of ML approaches, and a very brief summary of principles of WPLNC. Artificial neural networks (ANN) recently attracted attention in the field of communications, with a broad range of promising applications. Basic principles and backpropagation training procedure of ANN was hereby addressed and implemented. Finally, several exemplary problems in basic WPLNC scenarios were stated, and solutions were proposed and tested as computer simulations. These scenarios focused on an issue of classification of hierarchical symbols in a two-way relay channel with BPSK and QPSK modulations and considered a variable parameter of relative fading. The obtained results showed that the trained systems based on ANN are capable of performing these tasks, and performance was evaluated. An effort was to tune the parameters of the trained system and to provide a clear visual representation of the results.