Untersuchung einer CNN Architektur zur Erkennung gestörter Konstellationsdiagrammen
Beschreibung
Um AI-Algorithmen, z.B. in Form von Neuronalen Netzen in drahtlose Kommunikationssysteme einzubinden, ist es nötig deren Ressourcenverbrauch hinsichtlich einer Embedded Implementierung drastisch zu verringern. Dies beginnt bei der Auswahl einer geeigneten Modell Architektur und geht häufig über bekannte Optimierungsmethoden wie Quantisierung und Pruning.
Anhand der Architektur eines Convolutional Neural Networks soll ein Modell, ausgehend von einer LeNet-5 Architektur so angepasst werden, dass ein minimaler Ressourcenverbrauch (Anzahl der trainierbaren Parameter, Speicherverbrauch) bei gleichzeitig hoher Performance (Accuracy) erzielt wird.
Die Anwendung soll der Detektion bewusster Störungen (Jamming) eines drahtlosen Kommunikationssystems entsprechen. An einem vorgegebenen Datensatz von empfangenen IQ-Daten sollen die Ansätze der CNN Architekturen trainiert und optimiert werden. Als Eingang für die jeweiligen CNNs wurden diese IQ-Daten als 2D-Histogramme (entspricht dem Konstellationsdiagramm) abgespeichert und liegen für die Arbeit bereits vor.
Forschungsfragen
- Welche Architektur eines CNNs resultiert in niedrigem Ressourcenverbrauch und erzielt dennoch genaue Klassifikationsergebnisse?
- Wie kann der Input Layer eines CNN hinsichtlich einer Reduzierung der Modellgröße angepasst werden?
- Wie viele Convolutional und Pooling Layer sind für eine Klassifizierung der Eingangsbilder nötig?
- Welche Größe benötigt ein Fully Connected Layer am Ausgang des CNN?
- Welche Aktivierungsfunktionen müssen verwendet werden?
Ziele der Arbeit
Das Ziel ist der Aufbau eines geeigneten AI-Frameworks für die Verarbeitung von Bildern der Konstellationsdiagramms von IQ-Daten mit geeigneter Vorverarbeitung (Preprocessing) des verfügbaren Bilddatensatzes. Dabei soll die Performance des CNN hinsichtlich der Anzahl der trainierbaren Parameter, Speicherverbrauch und Accuracy der Klassifizierung optimiert werden.
Arbeitspakete
Aus der Beschreibung und den Forschungsfragen können Teilarbeiten hervorgehen:
- Literaturrecherche zum Einsatz und der Hardware Implementierung von Neuronalen Netzen „on the Edge“ in Kommunikationssystemen.
- Einarbeitung in den Datensatz, und Erstellung des AI-Frameworks, um ein zuverlässiges Training des CNN zu garantieren.
- Optimierung eines Modells eines CNN zur Erkennung und Unterscheidung verschiedener Jamming Szenarien.
- Optimierung der Modellgröße hinsichtlich einer Implementierung, z.B. in einem µC oder FPGA.
Optional:
- Erweiterung des Datensatzes mit selbst erzeugten Daten.
- Implementierung eines Neuronalen Netzes auf einer geeigneten HW-Plattform (µC oder FPGA).
Gerne können auch eigene Interessen diskutiert und eingebracht werden.
Deine Kenntnisse
- Grundlagen der Informations- und Kommunikationstechnik
- Grundlagen in Deep Learning und neuronalen Netzwerken
- Erfahrung mit AI/Machine Learning und Umgang mit Tools wie Keras oder TensorFlow
- Sicherer Umgang mit Python
Literaturangaben
- Saeif Alhazbi, Savio Sciancalepore, Gabriele Oligeri, “A Dataset of physical-layer measurements in indoor wireless jamming scenarios”, Data in Brief, Volume 46, 2023, 108773, ISSN 2352-3409, doi: 10.1016/j.dib.2022.108773
- Xubin Wang, Weijia Jia, “Optimizing Edge AI: A Comprehensive Survey on Data, Model, and System Strategies”, url: https://arxiv.org/abs/2501.03265
