Ohjelmistoradion (SDR) suorituskyvyn parantaminen tekoälyllä
Gustafsson, Teemu (2026)
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-202601302068
https://urn.fi/URN:NBN:fi:amk-202601302068
Tiivistelmä
Tässä opinnäytetyössä tarkasteltiin tekoälyn hyödyntämistä ohjelmistoradion (Software Defined Radio, SDR) tuottaman datan analysoinnissa radiomonitoroinnin tehostamiseksi. Työn lähtökohtana oli radiomonitoroinnin kasvava datamäärä ja manuaaliseen spektrin tarkasteluun liittyvät rajoitteet, jotka asettavat vaatimuksia automatisoiduille analyysimenetelmille. Työn tavoitteena oli kehittää toiminnallinen ohjelmistopohjainen ratkaisu, joka tukee radiomonitorointia automaattisen signaalintunnistuksen avulla.
Työssä keskityttiin Digital Mobile Radio (DMR) -signaalien tunnistamiseen laajakaistaisista SDR I/Q-tallenteista. Ratkaisu toteutettiin CNN–LSTM-hybridimallina, joka käsitteli raakamuotoista I/Q-aikasarjadataa ilman erillistä aikataajuusmuunnosta. Malli koulutettiin pääasiassa synteettisesti generoidulla datalla, jota kehitettiin iteratiivisesti autenttisista SDR-tallenteista tehtyjen havaintojen perusteella. Synteettisen datan realistisuutta parannettiin vaiheittain lisäämällä signaaliympäristölle tyypillisiä ilmiöitä, kuten kohinaa, taajuuspoikkeamia ja ajallista rakennetta. Kehitetty malli integroitiin osaksi MVP-tyyppistä offline-analyysisovellusta, joka mahdollisti laajakaistaisten I/Q-tallenteiden analysoinnin, DMR-signaalien ajallisen ja taajuudellisen paikantamisen sekä tulosten visualisoinnin.
Mallin suorituskykyä arvioitiin sekä synteettisellä että autenttisella SDR-datalla. Synteettisellä testiaineistolla saavutettiin noin 90 prosentin tunnistustarkkuus, kun taas autenttisella datalla yksittäisten aikaikkunoiden luokitusvarmuus oli noin 80–85 prosenttia. Segmentointiin perustuva tapahtumatul-kinta paransi kuitenkin käytännön tunnistettavuutta, ja järjestelmä kykeni paikantamaan DMR-lähetyksiä ajallisesti ja taajuudellisesti laajakaistaisista tallenteista. Tulokset osoittivat, että ratkaisu vähensi merkittävästi manuaalisen spektrin tarkastelun tarvetta.
Työn perusteella voitiin todeta, että tekoälypohjainen signaalintunnistus soveltui tukemaan ohjelmistoradiopohjaista radiomonitorointia erityisesti offline-analyysissä ja esiseulonnassa. Työssä tunnistettiin keskeisiä rajoitteita, kuten synteettisen ja autenttisen datan väliset domain-erot, jotka vaikuttivat mallin yleistettävyyteen. Näiden havaintojen pohjalta esitettiin jatkokehityssuuntia, kuten autenttisen opetusdatan lisääminen, mallin optimointi sekä reaaliaikaisen analyysin ja ulkoisten dekoodereiden integrointi. This thesis examined the use of artificial intelligence for analysing data produced by software-defined radio (SDR) systems to enhance radiomonitoring. The motivation for the study was the increasing volume of radiomonitoring data and the limitations of manual spectrum inspection, which create a need for automated analysis methods. The objective of the work was to develop a functional software-based solution that supports radiomonitoring through automatic signal detection.
The work focused on the detection of Digital Mobile Radio (DMR) signals from wideband SDR I/Q recordings. The proposed solution was implemented using a CNN–LSTM hybrid model that processes raw I/Q time-series data without a separate time–frequency transformation. The model was trained primarily using synthetically generated data, which was iteratively refined based on observations made from authentic SDR recordings. The realism of the synthetic data was gradually improved by introducing signal environment characteristics such as noise, frequency offsets, and temporal structure. The trained model was integrated into an MVP-type offline analysis application, enabling the analysis of wideband I/Q recordings, temporal and frequency-based localization of DMR signals, and visualization of detection results.
The performance of the model was evaluated using both synthetic and authentic SDR data. On the synthetic test dataset, a detection accuracy of approximately 90% was achieved, while on authentic data the classification confidence of individual time windows was approximately 80–85%. Event-based interpretation using temporal segmentation improved practical detectability, allowing the system to localize DMR transmissions in time and frequency within wideband recordings. The results demonstrated that the proposed solution significantly reduced the need for manual spectrum inspection.
Based on the results, it was concluded that AI-based signal detection is well suited to support SDR-based radiomonitoring, particularly in offline analysis and pre-screening tasks. Key limitations were identified, including domain differences between synthetic and authentic data, which affected model generalization. Based on these findings, future development directions were proposed, such as increasing the amount of authentic training data, optimizing the model architecture, and integrating real-time analysis and external decoders.
Työssä keskityttiin Digital Mobile Radio (DMR) -signaalien tunnistamiseen laajakaistaisista SDR I/Q-tallenteista. Ratkaisu toteutettiin CNN–LSTM-hybridimallina, joka käsitteli raakamuotoista I/Q-aikasarjadataa ilman erillistä aikataajuusmuunnosta. Malli koulutettiin pääasiassa synteettisesti generoidulla datalla, jota kehitettiin iteratiivisesti autenttisista SDR-tallenteista tehtyjen havaintojen perusteella. Synteettisen datan realistisuutta parannettiin vaiheittain lisäämällä signaaliympäristölle tyypillisiä ilmiöitä, kuten kohinaa, taajuuspoikkeamia ja ajallista rakennetta. Kehitetty malli integroitiin osaksi MVP-tyyppistä offline-analyysisovellusta, joka mahdollisti laajakaistaisten I/Q-tallenteiden analysoinnin, DMR-signaalien ajallisen ja taajuudellisen paikantamisen sekä tulosten visualisoinnin.
Mallin suorituskykyä arvioitiin sekä synteettisellä että autenttisella SDR-datalla. Synteettisellä testiaineistolla saavutettiin noin 90 prosentin tunnistustarkkuus, kun taas autenttisella datalla yksittäisten aikaikkunoiden luokitusvarmuus oli noin 80–85 prosenttia. Segmentointiin perustuva tapahtumatul-kinta paransi kuitenkin käytännön tunnistettavuutta, ja järjestelmä kykeni paikantamaan DMR-lähetyksiä ajallisesti ja taajuudellisesti laajakaistaisista tallenteista. Tulokset osoittivat, että ratkaisu vähensi merkittävästi manuaalisen spektrin tarkastelun tarvetta.
Työn perusteella voitiin todeta, että tekoälypohjainen signaalintunnistus soveltui tukemaan ohjelmistoradiopohjaista radiomonitorointia erityisesti offline-analyysissä ja esiseulonnassa. Työssä tunnistettiin keskeisiä rajoitteita, kuten synteettisen ja autenttisen datan väliset domain-erot, jotka vaikuttivat mallin yleistettävyyteen. Näiden havaintojen pohjalta esitettiin jatkokehityssuuntia, kuten autenttisen opetusdatan lisääminen, mallin optimointi sekä reaaliaikaisen analyysin ja ulkoisten dekoodereiden integrointi.
The work focused on the detection of Digital Mobile Radio (DMR) signals from wideband SDR I/Q recordings. The proposed solution was implemented using a CNN–LSTM hybrid model that processes raw I/Q time-series data without a separate time–frequency transformation. The model was trained primarily using synthetically generated data, which was iteratively refined based on observations made from authentic SDR recordings. The realism of the synthetic data was gradually improved by introducing signal environment characteristics such as noise, frequency offsets, and temporal structure. The trained model was integrated into an MVP-type offline analysis application, enabling the analysis of wideband I/Q recordings, temporal and frequency-based localization of DMR signals, and visualization of detection results.
The performance of the model was evaluated using both synthetic and authentic SDR data. On the synthetic test dataset, a detection accuracy of approximately 90% was achieved, while on authentic data the classification confidence of individual time windows was approximately 80–85%. Event-based interpretation using temporal segmentation improved practical detectability, allowing the system to localize DMR transmissions in time and frequency within wideband recordings. The results demonstrated that the proposed solution significantly reduced the need for manual spectrum inspection.
Based on the results, it was concluded that AI-based signal detection is well suited to support SDR-based radiomonitoring, particularly in offline analysis and pre-screening tasks. Key limitations were identified, including domain differences between synthetic and authentic data, which affected model generalization. Based on these findings, future development directions were proposed, such as increasing the amount of authentic training data, optimizing the model architecture, and integrating real-time analysis and external decoders.