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。
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。
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。
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。
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。
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:
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。
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
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。
您也可以从以下列表中选择网站:
如何获得最佳网站性能
选择中国网站(中文或英文)以获得最佳网站性能。其他 MathWorks 国家/地区网站并未针对您所在位置的访问进行优化。
美洲
- América Latina (Español)
- Canada (English)
- United States (English)
欧洲
- Belgium (English)
- Denmark (English)
- Deutschland (Deutsch)
- España (Español)
- Finland (English)
- France (Français)
- Ireland (English)
- Italia (Italiano)
- Luxembourg (English)
- Netherlands (English)
- Norway (English)
- Österreich (Deutsch)
- Portugal (English)
- Sweden (English)
- Switzerland
- United Kingdom (English)
亚太
- Australia (English)
- India (English)
- New Zealand (English)
- 中国
- 日本Japanese (日本語)
- 한국Korean (한국어)