文档帮助中心文档
利用深度学习工具箱将深度学习应用于无线通信系统仿真™ 连同通信工具箱,5G工具箱和无线局域网工具箱.有关信号处理应用,请参阅基于深度学习的信号处理.
5G信道估计的深度学习数据合成(5G工具箱)
使用5G工具箱生成用于信道估计的深度学习训练数据™.
使用深度学习训练用于频谱监测的语义分割网络。频谱监测的用途之一是表征频谱占用情况。本例中的神经网络经过训练以识别宽带频谱图中的5G NR和LTE信号。
为端到端通信系统建模,该系统带有自动编码器,可通过无线信道可靠地传输信息位。
使用卷积神经网络(CNN)进行调制分类。你可以生成合成的、通道受损的波形。使用生成的波形作为训练数据,训练CNN进行调制分类。然后用软件无线电(SDR)硬件和无线信号测试CNN。
产生信号和通道损伤来训练神经网络,称为LLRNet,以估计准确的对数似然比(LLR)。
利用仿真数据设计了一种射频(RF)指纹卷积神经网络(CNN)。您使用来自已知和未知路由器的模拟无线局域网(WLAN)信标帧对CNN进行训练,以进行射频指纹识别。然后比较接收信号的媒体访问控制(MAC)地址和CNN检测到的RF指纹,以检测WLAN路由器仿真器。
利用捕获的数据训练射频指纹卷积神经网络(CNN)。使用软件定义的无线电(SDR)从真实路由器捕获无线局域网(WLAN)信标帧。你编程第二个SDR来传输未知的信标帧并捕获它们。你用这些捕获的信号训练CNN。然后编写一个软件定义的无线电(SDR)作为一个路由器模拟器,它使用一个已知路由器的媒体访问控制(MAC)地址传输信标信号,并使用CNN将其识别为一个模拟器。
在进入该项目之前,您必须遵守以下规定:
在澳大利亚的MATLAB中,您的名字是durch Eingabe。韦伯·朗瑟·恩特森·基恩·贝维尔。
选择一个网站以获取翻译后的内容(如果可用),并查看本地活动和优惠。根据您的位置,我们建议您选择:.
您还可以从以下列表中选择网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家/地区网站未针对您所在地的访问进行优化。
联系当地办事处