无线通信

无线AI

将人工智能(AI)技术应用于无线通信应用

无论您使用机器学习、深度学习还是强化学习工作流,您都可以使用MATLAB和无线通信产品生成的现成算法和数据来缩短开发时间。您可以轻松利用MATLAB以外的现有深度学习网络;简化设计的培训、测试和验证;并简化AI网络在嵌入式设备、企业系统和云上的部署。

使用MATLAB,您可以:

  • 使用无线波形发生器应用程序以合成信号和空中信号的形式生成训练数据
  • 通过在生成的信号中添加射频损伤和信道模型来增加信号空间
  • 使用Signal Labeler应用程序标记从无线系统收集的信号
  • 使用Deep Network Designer和Experiment Manager应用程序,将可重用的简化培训、模拟和测试工作流应用于各种无线应用程序
  • 为深度学习设计添加自定义层

为什么将AI用于无线?

使用神经网络识别宽带谱图中的5G NR和LTE信号。

频谱传感与信号分类

使用深度学习技术识别宽带频谱中的信号。使用深度学习网络执行波形调制分类。

利用仿真数据设计了一种射频(RF)指纹卷积神经网络(CNN)。

设备标识

开发射频(RF)指纹识别方法,以识别各种设备并检测设备模拟程序。

频谱分析仪的屏幕截图显示,功率放大器(PA)加热时,性能特性会发生变化,这会创建一个随时间变化的可视化绘图系统。

数字预失真

应用基于神经网络的数字预失真(DPD)抵消功率放大器(PA)中非线性的影响。

比较基于理想估计、线性插值或深度学习技术的5G NR信道估计。

波束管理和信道估计

使用神经网络降低5G NR波束选择任务的计算复杂性。训练CNN进行5G NR信道估计。

将房间中对象的实际位置与使用CNN预测的彩色编码位置进行比较。

本地化和定位

使用生成的IEEE®802.11az™数据用于训练CNN进行本地化和定位。

可视化各种自动编码器的星座图,这些编码器收敛到标准调制,如QPSK或16PSK。

收发器设计

使用无监督的神经网络,学习如何有效地压缩和解压缩数据,形成自动编码器。训练和测试神经网络以估计似然比(LLR)。