无线通信

AI 与无线通信

将人工智能 (AI) 方法应用于无线通信应用

无论您使用的是机器学习、深度学习还是强化学习工作流，都可以通过使用现成算法以及 MATLAB 和无线通信产品生成的数据来缩短开发时间。您可以轻松地利用 MATLAB 之外的现有深度学习网络；优化设计的训练、测试和验证；并简化您的 AI 网络在嵌入式设备、企业系统和云上的部署。

使用 MATLAB，您能够：

  • 使用无线波形发生器以合成和无线信号形式生成训练数据
  • 通过向生成的信号添加射频损伤和信道模型来增强信号空间
  • 使用信号标注器标注从无线系统采集的信号
  • 使用深度网络设计器和试验管理器将可重用且经过优化的训练、仿真和测试工作流应用于各种无线应用
  • 将自定义层添加到深度学习设计中
AI 与无线通信

为什么在无线通信中使用 AI？

使用神经网络识别宽带频谱图中的 5G NR 和 LTE 信号。

频谱感知和信号分类

使用深度学习方法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。

通过深度学习实现频谱感知，用于识别 5G 和 LTE 信号
使用深度学习进行调制分类
使用仿真数据设计射频 (RF) 指纹识别卷积神经网络 (CNN)。

设备识别

开发射频 (RF) 指纹识别方法来识别各种设备并检测设备仿冒。

借助模拟数据设计深度神经网络以检测 WLAN 路由器仿冒
使用捕获的数据对深度神经网络进行测试，以检测 WLAN 路由器仿冒
频谱分析仪的截图，显示了当功率放大器 (PA) 发热时，性能特征发生变化，这会创建作为时间函数的可视绘图。

数字预失真

应用基于神经网络的数字预失真 (DPD) 来抵消功率放大器 (PA) 中的非线性效应。

用于数字预失真设计的神经网络 - 离线训练
比较基于理想化估计、线性插值或深度学习方法的 5G NR 信道估计。

波束管理和信道估计

使用神经网络来降低 5G NR 波束选择任务中的计算复杂度。为 5G NR 信道估计训练 CNN。

用于波束选择的神经网络
利用深度学习数据合成进行 5G 信道估计
将室内物品的实际位置与使用 CNN 预测的着色的位置进行比较。

定位

使用生成的 IEEE® 802.11az™ 数据来训练用于定位的 CNN。

使用 802.11az 指纹识别和深度学习进行三维室内定位
可视化各种自编码器的星座图，它们收敛至标准调制，如 QPSK 或 16PSK。

收发机设计

使用可学习如何高效压缩和解压缩数据形成自编码器的无监督神经网络，。训练和测试神经网络以估计似然比 (LLR)。

无线通信中的自编码器
训练和测试用于 LLR 估计的神经网络

30天免费试用

快速入门