KI für drahtlose Anwendungen

Anwenden von KI-Techniken auf drahtlose Kommunikationsanwendungen

Wenn Sie Machine-Learning-, Deep-Learning- oder Reinforcement-Learning-Workflows nutzen, können Sie die Entwicklungszeiten mithilfe von vorgefertigten Algorithmen und Daten, die mit MATLAB und drahtlosen Kommunikationsprodukten generiert wurden, verkürzen. Sie können ganz einfach bestehende Deep-Learning-Netze außerhalb von MATLAB nutzen, Training, Tests und Verifikation Ihrer Entwürfe optimieren und die Bereitstellung Ihrer KI-Netze auf eingebetteten Geräten, Unternehmenssystemen und in der Cloud vereinfachen.

MATLAB bietet folgende Möglichkeiten:

Trainingsdaten in Form von synthetischen und Over-the-Air-Signalen mithilfe der Wireless Waveform Generator App generieren
Den Signalraum durch Hinzufügen von HF-Störungen und Kanalmodellen zu Ihren generierten Signalen vergrößern
Aus drahtlosen Systemen erfasste Signale mithilfe der Signal Labeler App kennzeichnen
Wiederverwendbare und optimierte Trainings-, Simulations- und Test-Workflows mithilfe der Deep Network Designer- und Experiment Manager-Apps auf diverse drahtlose Anwendungen anwenden
Benutzerdefinierte Ebenen zu Ihren Deep-Learning-Entwürfen hinzufügen

Warum KI für drahtlose Anwendungen nutzen?

Verwendung eines neuronalen Netzes zur Identifizierung von 5G-NR- und LTE-Signalen in einem Breitbandspektrogramm.

Spektrumsabtastung und Signalklassifizierung

Identifizieren Sie mithilfe von Deep-Learning-Techniken Signale in einem Breitbandspektrum. Führen Sie mithilfe von Deep-Learning-Netzen eine Wellenform-Modulationsklassifizierung durch.

Spektrumsabtastung mit Deep Learning zum Identifizieren von 5G- und LTE-Signalen

Modulationsklassifikation mit Deep Learning

Entwurf eines faltenden neuronalen Netzes (Convolutional Neural Network - CNN) für HF-Fingerabdrücke mit simulierten Daten.

Geräteidentifikation

Entwickeln Sie Methoden für HF-Fingerabdrücke zur Identifizierung verschiedener Geräte und zur Erkennung nachgeahmter Geräte.

Entwurf eines tiefen neuronalen Netzes mit simulierten Daten zur Erkennung von WLAN-Router-Nachahmung

Testen eines tiefen neuronalen Netzes mit erfassten Daten zur Erkennung von WLAN-Router-Nachahmung

Ein Bildschirmausschnitt eines Spektrumanalysators zeigt, dass die Leistungsmerkmale sich ändern, wenn sich der Leistungsverstärker (PA) erhitzt. Dadurch entsteht ein visuelles Diagrammsystem als Funktion der Zeit.

Digitale Vorverzerrung

Wenden Sie eine auf einem neuronalen Netz basierende digitale Vorverzerrung (DPD) an, um die Auswirkungen von Nichtlinearitäten in einem Leistungsverstärker (PA) auszugleichen.

Neuronales Netz für den Entwurf einer digitalen Vorverzerrung – Offline-Training

Vergleich von 5G-NR-Kanalschätzungen mithilfe von idealisierter Schätzung, linearer Interpolation oder Deep-Learning-Techniken.

Beam-Management und Kanalschätzung

Reduzieren Sie mithilfe eines neuronalen Netzes die Rechenkomplexität bei der 5G-NR-Strahlauswahl. Trainieren Sie ein CNN für die 5G-NR-Kanalschätzung.

Neuronales Netz für die Strahlauswahl

Deep-Learning-Datensynthese zur 5G-Kanalschätzung

Vergleich der tatsächlichen Positionen von Objekten in einem Raum mit farbkodierten Positionen, die mithilfe von CNNs prognostiziert werden.

Lokalisierung und Positionierung

Trainieren Sie mithilfe generierter IEEE^®-802.11az™-Daten ein CNN für Lokalisierung und Positionierung.

Dreidimensionale Positionierung in Innenräumen mit 802.11az-Fingerabdruck und Deep Learning

Visualisierung der Konstellationsdarstellungen verschiedener Autoencoder, die zu Standardmodulationen wie QPSK oder 16-PSK zusammenlaufen.

Entwurf von Transceivern

Verwenden Sie ein unüberwachtes neuronales Netz, das lernt, Daten effizient zu komprimieren und zu dekomprimieren und einen Autoencoder zu bilden. Trainieren und testen Sie ein neuronales Netz zur Schätzung von Plausibilitäts-Quotienten (Likelihood Ratio - LLR).

Autoencoder für drahtlose Kommunikation

Trainieren und Testen eines neuronalen Netzwerks für LLR-Schätzung