电子书

MATLAB 助力 AI 赋能无线通信系统

章节

第 2 章：基于 AI 的 5G 信道估计工作流

第 2 章

基于 AI 的 5G 信道估计工作流

信道估计是各种现代无线系统都必须解决的基本难题。接收机必须了解信道会如何改变发射机发送的信号，并确定如何在每个时间和频率实例中指定信道模型。如果信道估计顺利执行，则吞吐量会上升，误码率会下降。

执行信道估计所用的传统算法基于数学拟合算法，例如线性拟合或三次多项式拟合。但是，随着天线数量的增加和频率范围的扩大，再加之环境不断变化，信道的变异性也有所增加。

使用 AI，您可以训练模型来观测信道行为，并作出准确的估计，即使有大量的参数也能如此。基于 AI 的模型在短短几毫秒内即可执行信号检测和分类，其速度比传统方法要快。由于基于 AI 的模型中的方法很简单，因此，这也有助于降低功耗和计算需求。

本节将引导您完成从数据准备到建模、仿真和部署 AI 模型的整个过程。该模型使用深度学习来创建卷积神经网络 (CNN)，以执行 5G 信道估计。完成之后，AI 模型将使您无需更改系统的任何其他部分，即可提高无线系统的整体性能。

从左到右的方框依次显示开发基于 AI 的 5G 信道估计的迭代步骤，首先是合成符合 5G 标准的波形，接着是 AI 算法设计，然后是部署 FPGA HDL 代码。

MATLAB 可以帮助您创建符合 5G 标准的波形，使用该数据训练基于 AI 的信道估计模型，仿真、测试和优化该模型，并对其进行部署。

部分

数据准备

在创建基于 AI 的信道估计模型的过程中，第一步是生成符合 5G 标准的波形，以用于训练您的模型。训练数据必须稳健，这意味着，它不仅必须符合标准，而且还必须全面，能够代表真实的信道损伤和场景。

MATLAB 便于您轻松地生成符合标准的波形和稳健的数据集。要创建数据集来训练基于 AI 的信道估计模型，请执行以下操作：

  • 使用无线波形发生器生成符合 5G 标准的波形。
  • 使用无线波形发生器增强这些信号，通过增加信号在现实世界中面临的失真，使数据集更能代表现实情况。通过简单的下拉菜单，您便可添加高斯噪声、相位噪声或频率噪声。
  • 使用信号标注器将您的领域专业知识运用于数据集。标注数据有助于在训练期间进行信号表征，并将人类智能融入到模型中。
无线波形发生器的截图显示 5G 波形的合成。

无线波形发生器提供了多个选项，用于选择波形标准和频率范围，并在生成波形数据前添加损伤。

在您的数据经过采集和标注后，您需要对其进行处理，以创建可用作训练 AI 模型的输入的信号。例如，您可以在 y 轴上绘制时间，在 x 轴上绘制频率，并将每个时间和频率坐标处的信号强度采集为一种颜色以创建热图。这将创建一系列图像，这些图像能够被馈入经过训练可对图像进行分类的深度学习网络中。

您还需要将数据拆分为训练数据和验证数据，以便在模型经过训练后，您有数据集可用于验证和调节该模型。

如何采集、管理和标注数据将取决于您的具体工程。在某些工程中，您也许能够捕获真实数据，这些数据足以让您能够训练模型。

5G 数据集的信号强度着色图，y 轴表示时间，x 轴表示频率。

无线波形发生器有助于针对各种标准创建稳健的合成波形数据集。

如果不可行的话，您可以考虑使用合成数据来表示真实系统会面临的情况。用合成数据重现现场情况可能会很棘手。但是，凭借庞大的典型信道损伤库，MATLAB 可以帮助您重现现实情况。

部分

AI 建模

在 MATLAB 中，您可以直接访问用于分类和预测的常见 AI 算法，包括回归、深度网络和聚类。要构建 AI 模型，第一步是选择一种方法，例如构建 CNN 来执行信道估计。

对于这种 AI 模型，CNN 是理想的选择，因为 CNN 最适用于图像处理。CNN 还有一个优势，那就是基于迁移学习，因此，您可以基于经过训练的现有图像处理网络（如 GoogLeNet 或 AlexNet）构建模型。

图中显示用于信道估计的卷积神经网络，该网络将附加了导频符号的接收信号作为输入，并输出信道估计。

信道估计 CNN 将接收用导频符号表示 5G 波形的标注图像，并返回信道失真的估计。

要构建 CNN，请使用深度网络设计器来训练和构建神经网络。您可以执行以下操作：

  • 导入所生成的数据并可视化训练过程。
  • 使用 Parallel Computing Toolbox 加速训练，而无需任何专门编程。

此外，也可以导入使用 PyTorch® 和 TensorFlow™ 等开源框架开发的 AI 模型。

然后，您可以使用试验管理器来调节模型并找到最佳训练选项。使用网格搜索、随机搜索和基于贝叶斯优化的搜索来扫描超参数。

通过并行运行试验，您可以同时测试不同训练配置。混淆矩阵和自定义度量函数将会帮助您评估经过训练的网络。

使用 MATLAB，您可以创建一个“黄金参考”或理想的信道估计模型，供您将 AI 模型与之进行比较。另外，对于同一环境中的同一信道模型，您还可以将您的模型与传统方法（如线性解释算法）进行比较。

信道估计的四个并排输出。三个输出表示来自不同模型的数据，包括线性插值、实用估计器和神经网络。第四个输出是实际信道。

使用均方误差 (MSE) 将不同信道估计方法的结果与实际信道进行比较，结果表明神经网络是最准确的方法。

部分

仿真和测试

对基于 AI 的信道估计模型进行局部验证后，您需要在更大型的系统环境中进行全局验证。您还需要使用 5G 空口信号来测试和微调您的模型。

借助 MATLAB，您可以将 AI 模型插入到现有系统仿真中，就像插入任何其他模块一样。

要了解有关集成多个来源的设计组件并验证生成的系统是否满足要求的更多信息，请阅读以下内容：

Capgemini 加速 5G NR 无线通信系统的 O-RAN 开发

要进行测试，您可以完成以下任务：

  • 搭建实验环境，其中包含测试和测量硬件设备。硬件可以使用 Instrument Control Toolbox 连接到 MATLAB 环境，以将数据从 MATLAB 实时流式传输到硬件来执行空口测试。
  • 使用软件无线电空口传输数据，并接收包含实时信道效应的数据。
模块图显示 RF 信号发生和采集仪器以及支持的 SDR 发射机和接收机如何创建信号流以供分析。

使用 SDR 和信号发射与接收仪器，将实时数据直接采集到 MATLAB 中。

在您集成基于 AI 的信道估计 CNN 后，您的无线系统将有望带来哪些好处？要检查以供改进的关键指标包括：

  • 吞吐量 - 每秒成功传输的数据量将会增大
  • 错误 - 误块率、误码率和误包率将会下降
部分

部署

MATLAB 提供了一个独特的代码生成框架，使您无需重写代码即可将模型部署在任何位置。您可以执行以下操作：

  • 在设计阶段，基于硬件迭代改进和测试原型 AI 模型
  • 将您的 AI 模型部署到生产硬件，以进行系统验证或部署

例如，您可能希望在 FPGA 上部署基于 AI 的信道估计模型。使用 Deep Learning HDL Toolbox™ 来转换模型并创建 HDL 工作流。然后，执行编译、部署和预测，以确定基于不同 FPGA 平台的推断速度和准确度。

其他部署目标包括：

  • 重量轻、功耗低的嵌入式设备（如汽车中使用的设备）
  • 低成本的快速原型板，如 Raspberry Pi
  • 基于边缘的物联网应用，如工厂机器上的传感器和控制器
  • 运行 C/C++、HDL、PLC 或 CUDA 代码的嵌入式平台

MATLAB 还可以部署到桌面端或服务器环境，使您能够从桌面端可执行文件扩展到 AWS® 或 Azure®（如金融分析平台）上基于云的企业系统。

部署选项的层次结构表明，模型既可以部署在嵌入式硬件上，也可以部署在企业系统上。

MATLAB 代码生成支持基于各种硬件平台的部署。