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。

この例では、フィルター バンク マルチキャリア (FBMC) と直交周波数分割多重方式 (OFDM) を比較し、第 5 世代 (5G) 通信システムの候補となる変調方式の利点について説明します。

この例では、直交周波数分割多重方式 (OFDM) とフィルター処理された OFDM (F-OFDM) を比較し、第 5 世代 (5G) 通信システムの候補となる変調方式の利点について説明します。

この例では、ユニバーサル フィルター マルチキャリア (UFMC) と直交周波数分割多重方式 (OFDM) を比較し、第 5 世代 (5G) 通信システム用の変調方式の候補の利点について説明します。

このモデルでは、複素正弦波を使用して複素変調信号を乗算し、周波数のアップコンバージョンを実行することでパスバンド変調を実行する簡単な方法を示します。一般に、システムのモデル化は複素ベースバンドでの実行が適切です。しかし状況によっては、実数のパスバンドでシステムをモデル化する必要があります。たとえば、隣接した帯域信号が非線形に処理されているために関心のある帯域で干渉を生じる場合などです。このモデルはこのような干渉の影響も示します。

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障害を生成して 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。

この例では、畳み込み符号化された通信リンクで硬判定復調の代わりに対数尤度比 (LLR) を使用することで、QPSK 変調に対する BER 性能が向上することを示します。LLR 復調では、ビタビ復号化器を非量子化復号化モードまたは軟判定復号化モードのどちらかで使用できます。非量子化復号化では、復号化器入力は実数値であり、BER の点で優れていますが、現実的には実現不可能です。より現実的な軟判定復号化では、復調出力は量子化されてから復号化器に送られます。一般に、これにより BER のコストが大幅に増大することはなく、むしろ復号化器の複雑度が大幅に低下することが認められます。この例を通じて、この点を実験的に検証します。

この例では、送信アンテナ 2 つ、受信アンテナ 1 つをもつ多入力多出力 (MIMO) チャネルで情報を伝送するためにトレリス符号化変調 (TCM) と連結された直交空間時間ブロック符号 (OSTBC) について示します。例では、通信 System object™ を使用してこのシステムをシミュレートします。

このモデルでは、送信アンテナ 2 つ、受信アンテナ 1 つをもつ多入力多出力 (MIMO) チャネルで情報を伝送するためにトレリス符号化変調 (TCM) と連結された直交空間時間ブロック符号 (OSTBC) について示します。

このモデルでは、畳み込み符号化された通信リンクで、硬判定復調の代わりに対数尤度比 (LLR) を使用すると、BER 性能が向上することを示します。

Simulate an end-to-end OFDM transmission system for a single-input, single-output (SISO) channel.