Deep Learning für drahtlose Kommunikation

Übersicht

Die nächste Generation drahtloser Systeme muss in rauen Umgebungen funktionieren, in denen verschiedene Arten von Störungen die Herausforderungen auf Systemebene erhöhen. Drahtlose Empfänger finden in Systemen, die ein effizientes Spektrummanagement erfordern, zahlreiche Anwendungen. In dieser Session demonstrieren wir, wie man Techniken des Deep Learning und Machine Learning-Netzwerke für eine Reihe von drahtlosen Kommunikationssystemen anwendet.

Wir werden die Vor- und Nachteile von Machine-Learning- und Deep-Learning-Workflows untersuchen.  Wir werden außerdem Methoden zur Datenerfassung und -kennzeichnung von handelsüblichen Software-defined Radios und Radargeräten demonstrieren, um Klassifikatoren zu trainieren und zu testen. Unser Fokus liegt auf der Datensynthese zum Trainieren von Netzwerken, einschließlich effizienter Methoden zur Verarbeitung von Basisband-I/Q-Signalen der Kommunikationstechnik, um die Klassifizierungsergebnisse zu verbessern.

Highlights

Demonstrieren der Konzepte und Arbeitsabläufe anhand mehrerer Anwendungsbeispiele, darunter Wellenformmodulations-ID, RF-Fingerprinting und 5G-Kanalabschätzung.

Abwägungen zwischen Machine-Learning- und Deep-Learning-Techniken für Basisbandsignale verstehen

Basisbanddaten vorverarbeiten und kennzeichnen

Daten synthetisieren, um Netzwerke zu trainieren

Über die Referenten

Dr. Houman Zarrinkoub ist Senior Produktmanager bei MathWorks und verantwortlich für Produkte im Bereich drahtlose Kommunikation. Während seiner 20-jährigen Tätigkeit bei MathWorks war er auch als Entwicklungsleiter tätig und für diverse Softwaretools im Bereich Signalverarbeitung und Kommunikation verantwortlich. Vor seiner Zeit bei MathWorks war er als Forschungswissenschaftler in der Wireless Group bei Nortel Networks tätig und arbeitete dort an Mobil- und Sprachcodierungstechnologien. Ihm wurden mehrere Patente zu Themen im Zusammenhang mit Computersimulationen von Signalverarbeitungsanwendungen erteilt. Houman ist der Autor des Buches „LTE mit MATLAB verstehen“: Von der mathematischen Modellierung zur Simulation und zum Prototyping. Er besitzt einen Bachelor-Abschluss in Elektrotechnik von der McGill University sowie Master- und Doktortitel in Telekommunikation von der Universität von Quebec in Kanada.

Florent Busnoult ist Senior Application Engineer bei MathWorks und spezialisiert auf Signalverarbeitungs- und drahtlose Kommunikationsprodukte. Er besitzt einen Master-Abschluss in Telekommunikationstechnik von Telecom Bretagne in Frankreich.