L’Apprendimento Profondo nelle Applicazioni a Radiofrequenza: Una Nuova Frontiera per il Riempimento Spettrale

This thesis explores the innovative integration of deep learning techniques in radio frequency (RF) applications, with a particular focus on spectral filling. With the proliferation of the Internet of Things (IoT) intensifying RF channel congestion, there is an urgent need to optimize transmission capacity without extending bandwidth. This work leverages deep learning, particularly neural networks, to automatically learn new modulation and demodulation schemes that overlap with existing ones, allowing the transmission of additional information without interference. The research focuses on the development and application of Transformer-based models, trained to handle additive white Gaussian noise (AWGN) and simulate real communication scenarios. The primary goal is to transmit two messages - one standard (Message A) and one additional hidden (Message B) - without degrading the quality of the main message and making the secondary message undetectable to unauthorized listeners. Experiments conducted using Binary Phase Shift Keying (BPSK) and Quadrature Phase Shift Keying (QPSK) modulation techniques demonstrate the feasibility of this approach, with results showing an improvement in channel capacity without increasing bandwidth, highlighting the potential of deep learning in enhancing RF communications. Additionally, the use of auxiliary loss terms in the training process ensures that hidden messages are covertly transmitted, maintaining high fidelity for both messages. This thesis contributes not only to the theoretical understanding of deep learning applications in RF communications but also provides practical implementations and results that pave the way for future advancements in this field.

Questa tesi esplora l'integrazione innovativa delle tecniche di apprendimento profondo nelle applicazioni a radiofrequenza (RF), con un focus particolare sul riempimento spettrale. Con la proliferazione dell'Internet delle Cose (IoT) che intensifica la congestione dei canali RF, c'è una necessità urgente di ottimizzare la capacità di trasmissione senza estendere la larghezza di banda. Questo lavoro sfrutta l'apprendimento profondo, in particolare le reti neurali, per apprendere automaticamente nuovi schemi di modulazione e demodulazione che si sovrappongono a quelli esistenti, consentendo la trasmissione di informazioni aggiuntive senza interferenze. La ricerca si concentra sullo sviluppo e l'applicazione di modelli basati su reti Transformer, addestrati per gestire il rumore gaussiano bianco additivo (AWGN) e simulare scenari di comunicazione reali. L'obiettivo principale è trasmettere due messaggi - uno standard (Messaggio A) e uno aggiuntivo nascosto (Messaggio B) - senza degradare la qualità del messaggio principale e rendendo il messaggio secondario non rilevabile per gli ascoltatori non autorizzati. Gli esperimenti condotti utilizzando le tecniche di modulazione Binary Phase Shift Keying (BPSK) e Quadrature Phase Shift Keying (QPSK) per dimostrare la fattibilità di questo approccio e i risultati mostrano un miglioramento nella capacità del canale senza aumentare la larghezza di banda, evidenziando il potenziale dell'apprendimento profondo nel migliorare le comunicazioni RF. Inoltre, l'uso di termini di perdita ausiliari nel processo di addestramento garantisce che i messaggi nascosti vengano trasmessi in modo coperto, mantenendo alta la fedeltà di entrambi i messaggi. Questa tesi contribuisce non solo alla comprensione teorica delle applicazioni dell'apprendimento profondo nelle comunicazioni RF, ma fornisce anche implementazioni pratiche e risultati che aprono la strada a futuri avanzamenti in questo campo.