SDR Receiver

Výzva

Rádiofrekvenčné spektrum je čoraz viac preťažené a monitorovanie kvality signálov na širokom frekvenčnom rozsahu vyžaduje špecializované a nákladné zariadenia. Identifikácia anomálií, rušenia a degradácie signálu v reálnom čase je kritická pre leteckú komunikáciu, IoT siete a telekomunikačnú infraštruktúru. Tradičné prístupy založené na pevných prahoch nedokážu zachytiť subtílne vzorce degradácie signálu.

Riešenie

Vyvinuli sme AI-riadený SDR systém na báze RTL-SDR hardware pre kontinuálny monitoring a inteligentnú analýzu rádiofrekvenčného spektra:

• RTL2832U/RTL2838UHIDIR SDR dongle — softvérovo definovaný rádiový prijímač s R820T tunerom pokrývajúci 24 MHz – 1766 MHz
• Letecká komunikácia — monitoring aircraft communications na frekvenciách letísk Bratislava (BTS) a Viedeň (VIE)
• FM rádio monitoring — analýza kvality FM vysielania a detekcia interferencií
• NB-IoT Guard Band B20 — monitoring signálov Narrowband IoT v ochrannom pásme Band 20 (800 MHz)
• ML klasifikácia šumu — strojové učenie pre automatickú klasifikáciu typov šumu a výpočet SNR (Signal-to-Noise Ratio)
• Spektrálna detekcia anomálií — unsupervised learning pre identifikáciu neobvyklých vzorcov v rádiovom spektre

Technická architektúra

Systém kombinuje low-cost SDR hardware s pokročilým softvérovým spracovaním signálov:

• RF Frontend — RTL-SDR dongle s R820T tunerom, externá anténa, bias-tee napájanie pre aktívne antény
• Signal Processing Pipeline — GNU Radio flowgraphy pre demodulation, filtering a decimation raw IQ dát
• Feature Extraction — výpočet spektrálnych príznakov (PSD, spectral flatness, bandwidth, SNR, kurtosis) pre ML modely
• ML Inference Engine — TensorFlow modely pre klasifikáciu modulácií, detekciu anomálií (Autoencoder) a predikciu degradácie signálu
• Monitoring Dashboard — real-time vizualizácia spektrogramov, waterfall diagramov a alertov

Vedecké pozadie a metodológia

Projekt využíva najnovšie poznatky z oblasti kognitívneho rádia a AI-riadeného spracovania signálov:

• Software-Defined Radio — SDR paradigma umožňuje implementáciu rádiových systémov v softvéri, čo dramaticky znižuje náklady a zvyšuje flexibilitu oproti tradičnému hardware (Mitola, IEEE Communications 1995)
• Cognitive Radio Networks — inteligentné rádiové systémy schopné dynamicky sa adaptovať na rádiové prostredie predstavujú budúcnosť správy spektra (Haykin, IEEE JSAC 2005)
• Spectrum Sensing Using Deep Learning — konvolučné neurónové siete dosahujú výrazne lepšie výsledky pri detekcii obsadenia spektra oproti tradičným energy detection metódam, najmä pri nízkom SNR (O'Shea et al., IEEE TCCN 2018)
• Automatic Modulation Classification — deep learning modely pre automatickú klasifikáciu typu modulácie dosahujú presnosť > 95% pri SNR > 5 dB (Rajendran et al., IEEE Access 2018)

Technológie

Výsledky

• Kontinuálny monitoring rádiového spektra v rozsahu 24 MHz – 1766 MHz
• ML klasifikácia typov šumu a modulácií s presnosťou > 92%
• Detekcia spektrálnych anomálií v reálnom čase s latenciou < 2 sekundy
• Monitoring leteckých frekvencií pre letiská BTS a VIE
• Analýza NB-IoT Guard Band B20 pokrytia pre IoT infraštruktúru