Supervised Machine Learning for Pattern Recognition of Frequency Hopping Spread Spectrum Communication

Frequency hopping spread spectrum is a wireless communication technology, used e.g. in Bluetooth. It makes use of a rapidly changing (hopping) carrier frequency of the signal of interest. This master thesis studies the abilities of supervised learners to predict frequency hopping patterns given a small observation window. This is a novel approach in contrast to other pattern prediction algorithms, which rely on a longer monitoring of the signal. Among the possible machine learning architectures, convolutional neural networks are chosen to perform the classification task of the signal presence in a time-frequency representation. By training the neural network with distinguished datasets, four different models are built for comparison. This work shows that the prediction of the signal's time evolution, based on a small observation window, is possible. Furthermore, the possibility to extend the model performances to lower (and higher) signal-to-noise ratios (SNR) than they were trained on is analyzed. It is shown that the extension towards higher SNR is in principle possible. The extension towards lower SNR is possible, but at the cost of a deterioration of the prediction quality.

Frequency Hopping Spread Spectrum (Frequenzsprungverfahren) ist eine drahtlose Kommunikationstechnologie, die z. B. bei Bluetooth eingesetzt wird. Sie nutzt eine sich schnell ändernde (springende) Trägerfrequenz. In dieser Masterarbeit werden die Fähigkeiten überwachter Lernsysteme zur Vorhersage von Frequenzsprungmustern, basierend auf einem kleinen Beobachtungsfenster, untersucht. Dies ist ein neuartiger Ansatz im Gegensatz zu anderen Algorithmen zur Vorhersage von Mustern, die auf eine längere Beobachtung des Signals angewiesen sind. Unter den möglichen Architekturen des maschinellen Lernens wird ein convolutional neuronal network gewählt, um die Signalpräsenz in einer Zeit-Frequenz-Darstellung zu klassifizieren. Mit Hilfe von verschiedenen Datensätzen werden vergleichshalber vier unterschiedliche Modelle konstruiert. In dieser Arbeit wird gezeigt, dass die Vorhersage der zeitlichen Entwicklung der Signale auf der Grundlage eines kleinen Beobachtungsfensters möglich ist. Darüber hinaus wird die Generalisierbarkeit des Modelles auf andere signal-to-noise ratios (SNR), als die, die in den Trainingsdaten vorzufinden sind, untersucht. Es wird gezeigt, dass die Erweiterung auf eine höhere SNR prinzipiell möglich ist. Die Erweiterung der Prädiktion auf ein niedrigere SNR gelingt, allerdings nur auf Kosten der Vorhersagequalität.