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.](https://it.mathworks.com/solutions/wireless-communications/ai/_jcr_content/mainParsys/band_copy/mainParsys/columns_copy/507537ca-afa8-41c5-806f-bbdd06667040/image_copy_copy.adapt.full.medium.jpg/1737544610739.jpg)
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.](https://it.mathworks.com/solutions/wireless-communications/ai/_jcr_content/mainParsys/band_copy/mainParsys/columns_copy/b827a46e-7d00-424f-81d8-b611fc9edab9/image_copy.adapt.full.medium.jpg/1737544610801.jpg)
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.](https://it.mathworks.com/solutions/wireless-communications/ai/_jcr_content/mainParsys/band_copy/mainParsys/columns_copy_copy/507537ca-afa8-41c5-806f-bbdd06667040/image_copy_copy.adapt.full.medium.jpg/1737544610905.jpg)
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.](https://it.mathworks.com/solutions/wireless-communications/ai/_jcr_content/mainParsys/band_copy/mainParsys/columns_copy_copy/b827a46e-7d00-424f-81d8-b611fc9edab9/image_copy_copy_copy.adapt.full.medium.jpg/1737544610966.jpg)
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.](https://it.mathworks.com/solutions/wireless-communications/ai/_jcr_content/mainParsys/band_copy/mainParsys/columns_copy_copy_co/507537ca-afa8-41c5-806f-bbdd06667040/image_copy_copy.adapt.full.medium.jpg/1737544611075.jpg)
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.](https://it.mathworks.com/solutions/wireless-communications/ai/_jcr_content/mainParsys/band_copy/mainParsys/columns_copy_copy_co/b827a46e-7d00-424f-81d8-b611fc9edab9/image_copy.adapt.full.medium.jpg/1737544611129.jpg)
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).