Drone Detection from Radio-Frequency Spectrograms with Hybrid Quantum–Classical Models. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Thesis_Final_Khalid_Ibrahimi_g202407960.pdf Restricted to Repository staff only until 18 May 2027. Download (5MB)

Arabic Abstract

تُعد مسألة كشف الطائرات بدون طيار اعتمادًا على إشارات الراديو الترددية من المسائل التي تشكل تحديا قائما، خصيصا في البيئات التي تنخفض فيها نسبة الإشارة إلى الضوضاء، حيث تصبح البنية التمييزية للإشارة أقل وضوحًا وأكثر تأثرًا بالتداخل والضوضاء. تهدف هذه الرسالة إلى دراسة مدى فاعلية التعلم الهجين الكمي--الكلاسيكي في تحسين أداء الكشف الثنائي عن الطائرات بدون طيار تحت تأثير الضوضاء، وذلك بالاعتماد على مخططات الطيف الناتجة عن تحويل فورييه قصير الزمن في ظروف انخفاض نسبة الإشارة إلى الضوضاء. ولتحقيق ذلك، جرى تطوير إطار قائم على المحاكاة لتوليد مجموعات بيانات من مخططات طيف الراديو ثنائية القناة، التي تمثل إشارات الطائرات بدون طيار وإشارات الضوضاء عبر مستويات متعددة من نسبة الإشارة إلى الضوضاء. واستنادًا إلى هذه البيانات، تم تصميم نموذج أساسي باستخدام شبكة عصبية التفافية كلاسيكية، ومقارنته بنموذج هجين كمي--كلاسيكي مقترح يجمع بين واجهة التفاف كلاسيكية وأربعة فروع كمية متوازية قائمة على دوائر كمية. وفي إعدادات الكاشف، تم تدريب كلا النموذجين عند -5 ديسيبل، ثم تقييمهما تحت ظروف اختبار ذات نسب إشارة إلى ضوضاء منخفضة ثم متزايدة تدريجيا. وقد جرى تقييم الأداء باستخدام اختبار درجةF1 ، ومنحنيات الخصائص التشغيلية للمستقبل، ومصفوفات الالتباس. أظهرت النتائج أن كلا النموذجين يحقق أداءً قويًا في مهمة الكشف الثنائي، غير أن النموذج الهجين المقترح أظهر متانة أعلى في أصعب ظروف الضوضاء، ولا سيما عند -15 ديسيبل و-20 ديسيبل، حيث حافظ على قدرة كشف أفضل وحقق عددًا أقل من حالات الكشف الفائت مقارنة بالنموذج الكلاسيكي. بحيث تدل هذه النتائج على أن التعلم الهجين الكمي الكلاسيكي يمثل اتجاهًا واعدًا لتحسين كشف الطائرات بدون طيار اعتمادًا على مخططات الطيف في البيئات شديدة الضوضاء.

English Abstract

Reliable drone detection from radio-frequency (RF) signals remains a challenging problem in noisy environments, particularly when the signal-to-noise ratio (SNR) is low and the discriminative structure of the signal becomes increasingly difficult to separate from background interference. This thesis investigates the use of hybrid quantum-classical learning for binary drone-versus-noise detection from two-channel short-Time Fourier Transform (STFT) spectrograms under low-SNR conditions. A simulation-based data generation framework is developed to produce two-channel RF spectrogram datasets representing drone and noise signals across multiple SNR levels. Based on this dataset, a classical convolutional neural network (CNN) baseline is designed and compared with a proposed parallel hybrid quantum-classical model that combines a classical convolutional front-end with four parallel variational quantum branches. In the detector setting, both models are trained at -5 dB and evaluated across increasingly severe low-SNR conditions. Performance is assessed using F1-score, receiver operating characteristic (ROC) curves, and confusion matrices. The results show that both models achieve strong binary detection performance, but the proposed hybrid model demonstrates greater robustness in the most challenging noise conditions, particularly at -15 dB and -20 dB, where it maintains stronger detection capability and produces substantially fewer missed detections than the classical CNN baseline. These findings indicate that hybrid quantum-classical learning is a promising direction for improving RF spectrogram-based drone detection in severe noise environments.

Item Type:	Thesis (Masters)
Subjects:	Computer Electrical
Department:	College of Computing and Mathematics > Computer Engineering
Thesis Advisor:	Zeeshan Kaleem Baloch,
Thesis Committee Members:	Khaled Rabie, Muhammad Afaq,
Depositing User:	KHALID IBRAHIMI (g202407960)
Date Deposited:	19 May 2026 05:12
Last Modified:	19 May 2026 05:12
URI:	https://eprints.kfupm.edu.sa/id/eprint/144365