Maskininlärning för snabb filtrering av mobilsignaler i radarvarnare

The radio frequency spectrum is becoming increasingly crowded and research efforts are being made both from the side of communication and from radar to allow for sharing of the radio frequency spectrum. In this thesis, suitable methods for classifying incoming signals as either communication signals or radar signals using machine learning are evaluated, with the purpose of filtering communication signals in radar warning receiver systems. To this end, a dataset of simulated communication and radar signals is generated for evaluation. The methods are evaluated in terms of both accuracy and computational complexity since both of these aspects are critical in a radar warning receiver setting. The results show that a deep learning model can be designed to outperform expert feature-based models in terms of accuracy, as has previously been confirmed in other fields. In terms of computational complexity, however, they are vastly outperformed by a model based on ensemble decision trees. As such, a deep learning model may be too complex for the task of filtering communication signals from radar signals in a radar warning receiver setting. The classification accuracy needs to be weighed against the model size and classification time. Future work should focus on optimizing the feature extraction implementation for a more fair classification time comparison, as well as evaluating the models on recorded data.Radiospektrumet blir alltmer belastat och forskningsinsatser görs inom både kommunikation och radar för att tillåta delning av spektrumet. I denna rapport utvärderas lämpliga metoder för att klassificera inkommande signaler som antingen kommunikation eller radar med hjälp av maskininlärning, med syftet att filtrera ut kommunikationssignaler i radarvarnare. För detta ändamål genereras ett dataset med simulerade kommunikations- och radarsignaler för att jämföra modellerna. Metoderna utvärderas med avseende på både precision och beräkningskomplexitet, eftersom att båda aspekterna är kritiska egenskaper i en radarvarnare. Resultaten visar att en djupinlärningsmodell kan utformas för att överträffa modeller baserade på expertdesignade särdrag med avseende på träffsäkerhet, såsom tidigare visats inom andra områden. Avseende beräkningskomplexitet, är däremot modellen baserad på en ensemble av beslutsträd överlägsen. Detta innebär möjligen att en djupinlärningsmodell är allt för komplex för syftet att filtrera bort kommunikationssignaler från radarsignaler i en radarvarnare. Modellens träffsäkerhet bör vägas mot dess storlek och tiden för klassificering. Framtida arbete bör inriktas på att optimera beräkningen av särdragen för en mer rättvis jämförelse av tiden som krävs för klassificering, samt att utvärdera modellerna på inspelad data