無論您使用的是機器學習、深度學習還是強化學習工作流，都可以通過使用現成算法以及 MATLAB?和無線通信產品生成的數據來縮短開發時間。您可以輕松地利用 MATLAB 之外的現有深度學習網絡；優化設計的訓練、測試和驗證；并簡化您的 AI 網絡在嵌入式設備、企業系統和云上的部署。

使用 MATLAB，您能夠：

·?使用無線波形發生器以合成和無線信號形式生成訓練數據

·?通過向生成的信號添加射頻損傷和信道模型來增強信號空間

·?使用信號標注器標注從無線系統采集的信號

·?使用深度網絡設計器和試驗管理器將可重用且經過優化的訓練、仿真和測試工作流應用于各種無線應用

·?將自定義層添加到深度學習設計中

為什么在無線通信中使用 AI？

頻譜感知和信號分類

? ? ?

使用深度學習方法識別寬帶頻譜中的信號。使用深度學習網絡執行波形調制分類。

·?通過深度學習實現頻譜感知，用于識別 5G 和 LTE 信號器標注從無線系統采集的信號[1]

·?使用深度學習進行調制分類[2]

設備識別

開發射頻 (RF) 指紋識別方法來識別各種設備并檢測設備仿冒。

·?借助模擬數據設計深度神經網絡以檢測 WLAN 路由器仿冒[3]

·?使用捕獲的數據對深度神經網絡進行測試，以檢測 WLAN 路由器仿冒[4]

數字預失真

? ? ?

應用基于神經網絡的數字預失真 (DPD) 來抵消功率放大器 (PA) 中的非線性效應。

·?用于數字預失真設計的神經網絡 - 離線訓練[5]

波束管理和信道估計

? ? ?

使用神經網絡來降低 5G NR 波束選擇任務中的計算復雜度。為 5G NR 信道估計訓練 CNN。

·?用于波束選擇的神經網絡[6]

·?利用深度學習數據合成進行 5G 信道估計[7]

收發機設計

? ? ?

使用可學習如何高效壓縮和解壓縮數據形成自編碼器的無監督神經網絡。訓練和測試神經網絡以估計似然比 (LLR)。

·?使用 802.11az 指紋識別和深度學習進行三維室內定位[8]

波束管理和信道估計

? ? ?

使用神經網絡來降低 5G NR 波束選擇任務中的計算復雜度。為 5G NR 信道估計訓練 CNN。

·?無線通信中的自編碼器[9]

·?訓練和測試用于 LLR 估計的神經網絡[10]

如何借助 MATLAB 在無線通信中使用 AI

無線通信與深度學習

使用通信和雷達合成數據進行深度學習

無線系統中的深度學習?– 示例[11]

相關產品

了解在無線通信應用中使用 AI 涉及的產品。

·?5G Toolbox[12]

·?WLAN Toolbox[13]

·?Communications Toolbox[14]

·?Statistics and Machine Learning Toolbox[15]

·?Deep Learning Toolbox[16]

·?Reinforcement Learning Toolbox[17]

文中鏈接

[1]https://ww2.mathworks.cn/help/comm/ug/spectrum-sensing-with-deep-learning-to-identify-5g-and-lte-signals.html

[2]https://ww2.mathworks.cn/help/comm/ug/modulation-classification-with-deep-learning.html

[3]https://ww2.mathworks.cn/help/comm/ug/design-a-deep-neural-network-with-simulated-data-to-detect-wlan-router-impersonation.html

[4]https://ww2.mathworks.cn/help/comm/ug/test-a-deep-neural-network-with-captured-data-to-detect-wlan-router-impersonation.html

[5]https://ww2.mathworks.cn/help/comm/ug/neural-network-for-digital-predistortion-design-offline-training.html

[6]https://ww2.mathworks.cn/help/comm/ug/neural-network-for-beam-selection.html

[7]https://ww2.mathworks.cn/help/5g/ug/deep-learning-data-synthesis-for-5g-channel-estimation.html

[8]https://ww2.mathworks.cn/help/wlan/ug/three-dimensional-indoor-positioning-with-802-11az-fingerprinting-and-deep-learning.html

[9]https://ww2.mathworks.cn/help/comm/ug/autoencoders-for-wireless-communications.html

[10]https://ww2.mathworks.cn/help/comm/ug/training-and-testing-a-neural-network-for-llr-estimation.html

[11]https://ww2.mathworks.cn/help/comm/ug/neural-network-for-digital-predistortion-design-offline-training.html

[12]https://ww2.mathworks.cn/products/5g.html

[13]https://ww2.mathworks.cn/products/wlan.html

[14]https://ww2.mathworks.cn/products/communications.html

[15]https://ww2.mathworks.cn/products/statistics.html

[16]https://ww2.mathworks.cn/products/deep-learning.html

[17]https://ww2.mathworks.cn/products/reinforcement-learning.html

編輯：黃飛

?