Kapitel 1

Integration von KI in drahtlose Kommunikationssysteme

Damit diese neuen drahtlosen Technologien ihr Versprechen einlösen können, liegt es an den Ingenieuren, diese Systeme zu optimieren und ihre Parameter zu konfigurieren. Aber die Komplexität, die mit der Lösung dieser Entwicklungsaufgaben verbunden ist, stellt die Grenzen des Menschen auf den Prüfstand. Die klassischen regelbasierten mathematischen Methoden werden künftig nicht mehr ausreichen.

Es ist an der Zeit, über den Tellerrand der klassischen Methoden hinauszuschauen und den Einsatz von Techniken der künstlichen Intelligenz (KI) in Betracht zu ziehen.

Künstliche Intelligenz eignet sich hervorragend zur Lösung von vielschichtigen Problemstellungen, die eine komplexe Dynamik aufweisen. Mithilfe von KI-Modellen zur Ausführung wichtiger Funktionen in einem drahtlosen Netzwerk können Sie:

• Die Effizienz des drahtlosen Systems verbessern.
• Die Komplexität der Berechnungen und den Ressourcenverbrauch verringern.
• Laufend umweltbedingte Veränderungen ausgleichen (von Sonneneruptionen bis zur Überhitzung von Verstärkern).
• Unterschiedliche Kanalbedingungen berücksichtigen.

Es gibt zahlreiche Herausforderungen bei der Entwicklung, die mit KI gelöst werden können:

• Digitale Vorverzerrung mithilfe von Deep Learning zur Kompensation von Umweltveränderungen, die den Betrieb von Leistungsverstärkern beeinflussen
• Strahlauswahl mithilfe von Deep Learning zur Verringerung der Rechenkomplexität und des Ressourcenaufwands
• Strahlauswahl mithilfe eines DQN-basierten (Deep Q Network) Reinforcement-Learning-Agenten zur Verringerung der Komplexität der Strahlsuche
• Erkennung von Log-Likelihood-Verhältnissen (LLRs) mithilfe von Deep Learning zur Verringerung der Rechenkomplexität

Darüber hinaus kann KI Sie dabei unterstützen, den wachsenden Lokalisierungsanforderungen gerecht zu werden:

• 3D-Innenraumortung mithilfe von Deep Learning zur Berücksichtigung von Standortänderungen

Was kann man mit KI noch modellieren?

• Spektrumerkennung mithilfe von Deep Learning zur Unterstützung verschiedener Spektralfrequenzen
• Modulationsklassifizierung mithilfe von Deep Learning zur Berücksichtigung unterschiedlicher Kanalbedingungen
• Autoencoder mithilfe von Deep Learning zur Verbesserung der Zuverlässigkeit
• Feedback zur Kanalstatusinformation (CSI) mit neuronalen Netzen mit Autoencoder zur Komprimierung der über einen drahtlosen Kanal gesendeten CSI im Downlink
• Erkennung von WLAN-Router-Nachahmung mithilfe von Deep Learning zur Verbesserung der Sicherheit

In diesem E-Book wird die Entwicklung eines KI-basierten 5G-Kanalschätzungsmodells erläutert und gezeigt, wie das KI-Modell die Gesamtleistung des Netzwerks verbessern kann.

KI leicht gemacht mit MATLAB

Mit MATLAB^® können Sie KI-basierte Lösungen erstellen, auch wenn Sie bisher noch keine Erfahrungen mit Machine Learning oder Deep Learning gesammelt haben. MATLAB macht es ganz einfach, Ihre KI-basierte Systementwicklung in Ihren Workflow zu integrieren.

MATLAB unterstützt einen iterativen Entwurfs-, Test- und Bereitstellungsprozess, der es Ihnen ermöglicht, Ihre KI-Modelle fortlaufend zu verbessern, sie zu Test- und Validierungszwecken in Ihr System zu integrieren und sie für Produktionsnetzwerke bereitzustellen.

MATLAB bietet folgende Möglichkeiten:

• Vorbereiten von Daten
  • Erfassen Sie mithilfe unterstützter Hardware Funksignale, um Daten für das Training von KI-Modellen zu erstellen.
  • Generieren Sie mithilfe der Wireless Waveform Generator App standardspezifische Daten bzw. Wellenformen sowie benutzerdefinierte Wellenformen für verschiedene Technologien wie 5G, LTE, WLAN, Bluetooth und diverse Satellitenkommunikationsstandards wie DVB, CCSDS und GPS.
  • Vergrößern Sie den Signalraum durch Hinzufügen von HF-Störungen und Kanalmodellen zu Ihren generierten Signalen, damit Ihr Datensatz realistisch und fehlerresistent ist.
  • Setzen Sie Ihr Fachwissen ein, um mithilfe der Signal Labeler App Signale zu kennzeichnen und die von drahtlosen Systemen erfassten Daten durch menschliche Intelligenz zu ergänzen.
• Erstellen von KI-Modellen
  • Wenden Sie wiederverwendbare und optimierte Trainings-, Simulations- und Test-Workflows mithilfe der Deep Network Designer und Experiment Manager Apps auf diverse drahtlose Anwendungen an.
  • Benutzerdefinierte Ebenen zu Ihren Deep-Learning-Entwürfen hinzufügen
• Simulieren und Testen
  • Simulieren Sie ein drahtloses End-to-End-System, das KI-Modelle enthält.
  • Bewerten Sie in kürzester Zeit die Auswirkungen eines KI-Modells auf das Systemverhalten und verbessern Sie Ihr Design durch Iteration.
  • Validieren und optimieren Sie Ihr KI-Modell und System mithilfe von Over-the-Air-Signalen.
• Bereitstellen Ihrer Modelle
  • Generieren Sie automatisch Code für eine bestimmte Zielhardware.
  • Stellen Sie diesen auf eingebetteter Hardware oder in der Cloud bereit.