L'IA pour les télécommunications

Utiliser des techniques d’intelligence artificielle (IA) pour vos applications de télécommunications

Que vos workflows soient de type Machine Learning, Deep Learning ou Reinforcement Learning, vous pouvez réduire votre temps de développement avec des algorithmes et des données prêts à l’emploi générés avec MATLAB et les produits pour les télécommunications. Vous pouvez aisément tirer parti des réseaux de Deep Learning en dehors de MATLAB ; rationaliser l’apprentissage, le test et la vérification de vos designs ; et simplifier le déploiement de vos réseaux d’IA sur des équipements embarqués, des systèmes d’entreprise et dans le cloud.

Avec MATLAB, vous pouvez :

Générer des données d’apprentissage sous forme de signaux synthétiques et over-the-air avec l’application Wireless Waveform Generator
Augmenter l’espace des signaux en ajoutant des imperfections RF et des modèles de canal à vos signaux générés
Labelliser les signaux collectés par des systèmes de télécommunications avec l'application Signal Labeler
Appliquer des workflows d’apprentissage, de simulation et de test rationnalisés et réutilisables à plusieurs applications de télécommunications avec les applications Deep Network Designer et Experiment Manager
Ajouter des couches personnalisées à vos designs de Deep Learning

Pourquoi utiliser l’IA pour les télécommunications ?

Utilisation d’un réseau de neurones pour identifier des signaux 5G NR et LTE dans un spectrogramme à large bande.

Détection du spectre et classification des signaux

Identifiez les signaux dans un spectre à large bande avec des techniques de Deep Learning. Effectuez la classification des modulations des formes d'onde avec des réseaux de Deep Learning.

Détection du spectre avec le Deep Learning pour identifier les signaux 5G et LTE

Classification des modulations avec le Deep Learning

Concevoir un réseau de neurones à convolution (CNN) pour analyser les empreintes radiofréquence (RF) avec des données simulées.

Identification d’équipements

Développez des méthodes d’analyse des empreintes radiofréquence (RF) pour identifier différents équipements et détecter les usurpations d’identité de ces équipements.

Concevoir un réseau de neurones profond avec des données simulées pour détecter une usurpation d’identité dans un routeur WLAN

Tester un réseau de neurones profond avec des données capturées pour détecter une usurpation d’identité dans un routeur WLAN

Capture d’écran d’un analyseur de spectre qui montre que les caractéristiques de performance changent lorsque l’amplificateur de puissance chauffe, ce qui crée un système de tracé visuel qui est fonction du temps

Prédistorsion numérique

Appliquez une prédistorsion numérique (DPD) basée sur un réseau de neurones pour compenser les effets des non-linéarités dans un amplificateur de puissance (PA).

Réseau de neurones pour le design d’une prédistorsion numérique : apprentissage hors ligne

Comparaison d’estimations de canal 5G NR sur la base d’une estimation idéalisée, d’une interpolation linéaire ou de techniques de Deep Learning.

Gestion des faisceaux et estimation du canal

Utilisez un réseau de neurones pour réduire la complexité computationnelle de la tâche de sélection du faisceau 5G NR. Entraînez un CNN pour l’estimation du canal 5G NG.

Réseau de neurones pour la sélection du faisceau

Synthèse de données avec le Deep Learning pour l'estimation du canal 5G

Comparaison des positions réelles d’objets dans une pièce avec les positions prédites par des CNN utilisant un code couleur.

Localisation et positionnement

Utilisez des données IEEE^® 802.11az™ générées pour entraîner un CNN pour la localisation et le positionnement.

Système de positionnement intérieur en trois dimensions avec des données d'empreintes et du Deep Learning dans le standard 802.11az

Visualisation de constellations de points de plusieurs autoencodeurs qui convergent vers des modulations standards comme Q P S K ou 16-P S K.

Design d'un récepteur

Utilisez un réseau de neurones non supervisé qui apprend comment compresser et décompresser efficacement des données pour former un autoencodeur. Entraînez et testez un réseau de neurones pour estimer des rapports de vraisemblance (LLR).

Autoencoders pour les télécommunications

Entraîner et tester un réseau de neurones pour l'estimation du LLR