【火腿专题】AI人工智能与无线电通信

AI人工智能如何开始影响无线电通信的

机器学习和深度学习技术有望实现无线网络的端到端优化,同时将PHY和信号处理设计商品化并帮助克服射频信号的复杂性

当人工智能(AI)技术到达无线信道时会发生什么?首先,AI承诺通过采用强大的机器学习算法并显着改善RF参数(如信道带宽,天线灵敏度和频谱监控)来解决射频(RF)系统的设计复杂性问题。

到目前为止,已经通过诸如认知无线电之类的技术来为无线网络中的各个组件进行智能化工程。然而,针对频谱监测等应用的这些零碎优化是劳动密集型的,它们需要努力手工设计特征提取和选择,这通常需要数月才能完成设计和部署。

另一方面,机器学习和深度学习等AI表现形式可以在几个小时内调用数据分析来训练无线电信号类型。例如,与基于迭代和算法信号搜索和信号检测和分类的传统方法相比,训练的深度神经网络花费几毫秒来执行信号检测和分类。

图1:深度学习允许在信号捕获后的几秒钟内训练RF信号。资料来源:National Instruments

值得注意的是,这些增益还可以显着降低功耗和计算要求。此外,学习的通信系统允许无线设计者优先考虑关键设计参数,例如吞吐量,延迟,范围和功耗。

更重要的是,基于深度学习的培训模型有助于更好地了解运营环境,并承诺提供端到端的学习,以创建最佳的无线电系统。例证:一种培训模型,可以共同学习无线电发射器和接收器的编码器和解码器,同时包含RF组件,天线和数据转换器。

此外,无线领域中深度学习承诺的技术是物理层(PHY)和信号处理设计的商品化。将基于深度学习的传感与有源无线电波形相结合,创造了一类新的用例,可以在各种无线电环境中智能地运行。

以下部分将介绍几个设计案例研究,展示AI技术在无线通信中的潜力。

两个设计案例研究

首先,DeepSig公司的OmniSIG软件开发套件(SDK)基于深度学习技术,并采用实时信号处理,允许用户训练信号检测和分类传感器。

DeepSig声称其OmniSIG传感器可以检测到Wi-Fi,蓝牙,蜂窝和其他无线电信号,速度比现有无线技术快1000倍。此外,它使用户能够理解频谱环境,从而促进上下文分析和决策制定。

ENSCO是美国政府和国防供应商,正在培训OmniSIG传感器,以检测和分类无线和雷达信号。在这里,ENSCO旨在部署基于AI的功能,以克服传统设计的信号智能RF系统的性能限制。

DeepSig的OmniPHY软件所做的是允许用户学习通信系统,并随后优化信道条件,恶劣的频谱环境和硬件性能限制。这些应用包括抗干扰能力,非视距通信,有争议频谱中的多用户系统以及减轻硬件失真的影响。

图2:机器学习允许设计人员根据多普勒时间光谱图对无线电信号进行分类,以识别日常活动。资料来源:National Instruments

另一个设计案例研究显示了深度学习等AI技术如何影响未来的硬件架构和设计,是用于监控疗养院健康,活动和福祉的被动Wi-Fi传感系统(图2)。考文垂大学开发的连续监视系统采用手势识别库和机器学习系统进行信号分类,并对反映患者的Wi-Fi信号进行详细分析,揭示身体运动和生命体征的模式。

住宅医疗系统通常采用可穿戴设备,基于摄像头的视觉系统和环境传感器,但它们带来诸如身体不适,隐私问题和有限检测精度等缺点。另一方面,基于活动识别和穿墙呼吸感测的被动Wi-Fi感测系统是非接触式,准确且微创的。

养老院的被动Wi-Fi传感源于伦敦大学学院开展的被动Wi-Fi雷达研究项目。基于NI(NI)软件定义无线电(SDR)解决方案的无源Wi-Fi雷达原型完全无法检测,可用于军事和反恐应用。

USRP收发器和LabVIEW

无源Wi-Fi传感系统是一种仅接收系统,用于测量跨多路径传播移动室内物镜所引起的动态Wi-Fi信号变化。在这里,机器学习等AI技术允许工程师使用频率来测量测量持续时间内的相位变化率以及多普勒频移来识别运动。

机器学习算法可以建立物理活动和与手势相关联的多普勒时间光谱图之间的链接,例如拾取或坐下。数据批次的阶段足够准确,以辨别呼吸引起的小体积运动。

考文垂大学使用通用软件无线电SDR外设(USRP)和LabVIEW软件构建了一个无源Wi-Fi传感系统原型,用于捕获,处理和解释原始射频信号样本。LabVIEW是一种用于处理器和FPGA的直观图形化编程工具,使工程师能够管理复杂的系统配置并调整信号处理参数以满足精确的要求。

图3:与LabVIEW软件接口的USRP收发器允许工程师,科学家和学生开发下一代无线技术的算法。资料来源:National Instruments

另一方面,USRP是一种基于SDR的可调谐收发器,与LabVIEW协同工作,用于无线通信系统的原型设计。它已经被用于无线应用的原型设计,如FM收音机,测向,射频记录和回放,无源雷达和GPS模拟。

考文垂大学的工程师使用USRP捕获原始RF样本并将其传送到LabVIEW应用程序,以便快速处理信号。他们还动态地改变了数据阵列和分析例程的批量大小,以使系统适应缓慢和快速的运动。

工程师能够解释一些捕获的信号,并直接将批次阶段的周期性变化与手势和呼吸率联系起来。接下来,他们检查了数据批次的阶段是否足够精确,以辨别呼吸引起的小身体运动。

AI:下一个无线前沿

上述设计实例展示了机器学习和深度学习等AI技术在革新射频电路设计,解决各种射频电路设计领域和创建新无线用例方面的潜力。

这些仍然是在无线网络中实施AI的早期阶段。但是USRP这样的商业产品的可用性表明,人工智能的革命已经到了无线传输的临门一脚。

source:https://spectrum.ieee.org/computing/software/how-ai-is-starting-to-influence-wireless-communications

随着技术发展,AI人工智能已经在电子商务、金融以及医疗等方面得到了应用。在移动互联网、物联网、天地一体化信息网络的驱动下,未来无线网络会向速率更高、接入更多、覆盖更广的方向发展,对频谱资源提出更多的挑战。在射频电路设计领域的应用案例及未来充满潜力的创新将继续推动着无线电通信发展。

(0)

相关推荐