Comunicazioni wireless

Intelligenza artificiale per sistemi wireless

Applicazione di tecniche di intelligenza artificiale (IA) alle applicazioni di comunicazione wireless

Se utilizzi workflow di Machine Learning, Deep Learning o Reinforcement Learning, puoi ridurre i tempi di sviluppo con algoritmi pronti all'uso e dati generati con MATLAB e prodotti di comunicazione wireless. È possibile sfruttare facilmente le reti di Deep Learning esistenti al di fuori di MATLAB, semplificare la formazione, il test e la verifica dei progetti e semplificare la distribuzione delle reti di intelligenza artificiale su dispositivi embedded, sistemi aziendali e cloud.

MATLAB consente di:

  • Generare dati di addestramento sotto forma di segnali sintetici e over-the-air utilizzando l'applicazione Wireless Waveform Generator
  • Aumentare lo spazio del segnale aggiungendo disturbi RF e modelli di canale ai segnali generati
  • Etichettare i segnali raccolti dai sistemi wireless utilizzando l’app Signal Labeler
  • Applicare workflow riutilizzabili e semplificati per la formazione, la simulazione e il test a varie applicazioni wireless utilizzando le applicazioni Deep Network Designer ed Experiment Manager
  • Aggiungere strati personalizzati ai tuoi progetti di Deep Learning

Perché utilizzare l'intelligenza artificiale per il wireless?

L’utilizzo di una rete neurale per identificare i segnali 5G NR e LTE in uno spettrogramma a banda larga.

Rilevamento dello spettro e classificazione dei segnali

Identifica i segnali in uno spettro a banda larga utilizzando tecniche di Deep Learning. Esegui la classificazione della modulazione delle forme d’onda con reti di Deep Learning.

Progettazione di una rete neurale convoluzionale (CNN) per il fingerprinting a radiofrequenza (RF) con dati simulati.

Identificazione di dispositivi

Sviluppa metodi di fingerprinting a radiofrequenza (RF) per identificare vari dispositivi e individuare chi li impersona.

Una schermata di uno Spectrum Analyzer mostra che le caratteristiche prestazionali cambiano quando l'amplificatore di potenza (PA) si riscalda, creando un sistema di grafici visivi in funzione del tempo.

Predistorsione digitale

Applica la predistorsione digitale (DPD) basata su reti neurali per compensare gli effetti delle non linearità in un amplificatore di potenza (PA).

Confronto delle stime del canale 5G NR sulla base di stime idealizzate, interpolazione lineare o tecniche di Deep Learning.

Gestione dei fasci e stima del canale

Utilizza una rete neurale per ridurre la complessità computazionale nell’attività di selezione del fascio 5G NR. Addestra una CNN per la stima del canale 5G NR.

Confronto tra le posizioni effettive degli oggetti in una stanza e le posizioni codificate per colore previste con l’utilizzo delle CNN.

Localizzazione e posizionamento

Utilizza dati IEEE® 802.11az™ generati per addestrare una CNN per la localizzazione e il posizionamento.

Visualizzazione dei grafici di costellazione di vari autocodificatori che convergono in modulazioni standard come Q P S K o 16 P S K.

Progettazione di ricetrasmettitore

Utilizza una rete neurale senza supervisione che impara a comprimere e decomprimere i dati in modo efficiente, formando un autocodificatore. Addestra e testa una rete neurale per stimare i rapporti di verosimiglianza (LLR).