無線用 AI

Model an end-to-end orthogonal frequency division modulation (OFDM) communications system with an autoencoder to reliably transmit information bits over a wireless channel.

Compress downlink channel state information (CSI) for 5G systems by using an autoencoder neural network.

Train a deep Q-network (DQN) reinforcement learning agent for beam selection in a 5G new radio communications system.

ニューラル ネットワークを使用し、通信チャネルの情報ではなく受信機の位置を使用して、ビーム選択タスクのオーバーヘッドを低減する。

Use a neural network, that is trained online, to apply digital predistortion to offset the effects of nonlinearities in a power amplifier.

Use a neural network, that is trained offline, to apply digital predistortion to offset the effects of nonlinearities in a power amplifier.

スペクトル監視のために、深層学習を使用してセマンティック セグメンテーション ネットワークに学習させる。

自己符号化器を使用して無線チャネル経由で情報ビットを確実に送信するエンドツーエンドの通信システムをモデル化する。

この例では、畳み込みニューラル ネットワーク (CNN) を変調分類に使用する方法を説明します。チャネルで劣化した合成波形を生成します。生成された波形を学習データとして使用して、変調分類用の CNN を学習させます。その後、ソフトウェア無線 (SDR) ハードウェアと無線信号を使用して CNN をテストします。

Deploy a pretrained convolutional neural network (CNN) for modulation classification to the Xilinx^® Zynq^® UltraScale+™ MPSoC ZCU102 Evaluation Kit.

Train a convolutional neural network for IEEE^® 802.11az™ localization and positioning.

この例では、シミュレーション データを使用して無線周波数 (RF) 指紋の畳み込みニューラル ネットワーク (CNN) を設計する方法を示します。シミュレートした既知および未知のルーターからの無線ローカル エリア ネットワーク (WLAN) ビーコン フレームを使用して、CNN に RF 指紋を学習させます。その後、受信信号のメディア アクセス制御 (MAC) アドレスを CNN で検出された RF 指紋と比較することで WLAN ルーター偽装者を検出します。

この例では、取得データを使用して無線周波数 (RF) 指紋の畳み込みニューラル ネットワーク (CNN) の学習を行う方法を示します。ソフトウェア無線 (SDR) を使用して、実際のルーターから無線ローカル エリア ネットワーク (WLAN) ビーコン フレームを取得します。SDR をもう 1 つプログラムして未知のビーコン フレームを送信し、それらを取得します。それらの取得した信号で CNN の学習を行います。その後、ルーター偽装者として既知のいずれかのルーターのメディア アクセス制御 (MAC) アドレスでビーコン信号を送信するソフトウェア無線 (SDR) をプログラムし、それを CNN を使用して偽装者として識別します。

この例では、厳密な対数尤度比 (LLR) の推定用に信号とチャネル劣化要因を生成して LLRNet というニューラル ネットワークの学習を行う方法を示します。

5G Toolbox™ を使用し、チャネル推定用に深層学習の学習データを生成する。