IA para comunicaciones inalámbricas

Emplee técnicas de inteligencia artificial (IA) en aplicaciones de comunicaciones inalámbricas

Si utiliza flujos de trabajo de Machine Learning, Deep Learning o reinforcement learning, puede reducir el tiempo de desarrollo con algoritmos listos para usar y datos generados con MATLAB, y productos para comunicaciones inalámbricas. Puede aprovechar fácilmente redes de Deep Learning existentes fuera de MATLAB, agilizar el entrenamiento, las pruebas y la verificación de los diseños, y simplificar el despliegue de redes de IA en dispositivos integrados, sistemas empresariales y la nube.

MATLAB permite:

Generar datos de entrenamiento en forma de señales sintéticas y over-the-air con la app Wireless Waveform Generator
Aumentar el espacio de señales agregando distorsiones de RF y modelos de canal a las señales generadas
Etiquetar señales recopiladas de sistemas inalámbricos con la app Signal Labeler
Emplear flujos de trabajo de entrenamiento, simulación y pruebas reutilizables y optimizados en diversas aplicaciones inalámbricas utilizando las apps Deep Network Designer y Experiment Manager
Agregar capas personalizadas a los diseños de Deep Learning

¿Por qué aplicar IA a las comunicaciones inalámbricas?

Uso de una red neuronal para identificar señales 5G NR y LTE en un espectrograma de banda ancha.

Detección del espectro y clasificación de señales

Identifique señales en un espectro de banda ancha utilizando técnicas de Deep Learning. Realice clasificación de modulación de formas de onda con redes de Deep Learning.

Detección del espectro con Deep Learning para identificar señales 5G y LTE

Clasificación de la modulación con Deep Learning

Diseñe una red neuronal convolucional (CNN) de huella digital de radiofrecuencia (RF) con datos simulados.

Identificación de dispositivos

Desarrolle métodos de huella digital de radiofrecuencia (RF) para identificar diversos dispositivos y detectar suplantadores de dispositivos.

Diseño de una red neuronal profunda con datos simulados para detectar enrutadores de WLAN suplantados

Prueba de una red neuronal profunda con datos capturados para detectar enrutadores de WLAN suplantados

Spectrum Analyzer, que muestra que las características de rendimiento cambian cuando el amplificador de potencia (PA) se calienta, lo que crea un sistema de representación visual con forma de función de tiempo.

Predistorsión digital

Aplique predistorsión digital (DPD) basada en redes neuronales para compensar los efectos de las no linealidades de un amplificador de potencia (PA).

Red neuronal para diseño con predistorsión digital: entrenamiento offline

Comparación de estimaciones de canales 5G NR basadas en estimación idealizada, interpolación lineal o técnicas de Deep Learning.

Gestión de haces y estimación de canales

Utilice una red neuronal para reducir la complejidad computacional de la tarea de selección de haces 5G NR. Entrene una red CNN para realizar estimación de canales 5G NR.

Red neuronal para la selección de haces

Síntesis de datos de Deep Learning para la estimación de canales 5G

Comparación entre la ubicación real de objetos en una habitación y la ubicación prevista por redes CNN, codificada por colores.

Localización y posicionamiento

Utilice datos IEEE^® 802.11az™ generados con el fin de entrenar una red CNN para localización y posicionamiento.

Posicionamiento tridimensional en interiores con una huella digital 802.11az y Deep Learning

Diagramas de constelación de diversos autocodificadores que convergen en modulaciones estándar tales como Q P S K o 16 P S K.

Diseño de transceptores

Utilice una red neuronal no supervisada que aprenda a comprimir y descomprimir datos de manera eficiente, y forme así un autocodificador. Entrene y pruebe una red neuronal para estimar razones de probabilidad logarítmica (LLR).

Autocodificadores para comunicaciones inalámbricas

Entrenamiento y prueba de una red neuronal para la estimación de LLR