无线通信

人工智能的无线

将人工智能(AI)技术应用到无线通信的应用程序

你是否使用机器学习,深入学习,或强化学习工作流程,可以减少开发时间和现成的算法和MATLAB生成的数据®和无线通讯产品。下载188bet金宝搏你可以很容易地利用现有的深度学习网络MATLAB外;简化训练、测试和验证的设计;和简化部署你的AI在嵌入式设备网络,企业系统,云。

使用MATLAB,您可以:

  • 生成训练数据的形式合成使用无线波形发生器的应用和无线信号
  • 增加通过添加射频信号的空间障碍和信道模型生成的信号
  • 标签使用信号无线采集的信号系统贴标签机应用
  • 应用可重用和流线型的训练、模拟和测试工作流各种无线应用程序使用深层网络设计和实验管理器应用程序
  • 添加自定义层深度学习设计

为什么使用人工智能无线?

使用神经网络来识别5 g NR和LTE信号宽带光谱图。

光谱传感和信号分类

确定信号的宽带频谱使用深度学习技术。执行波形调制分类使用深度学习网络。

设计一个无线电频率(RF)指纹卷积神经网络(CNN)和模拟数据。

设备标识

开发无线电频率(RF)指纹识别方法来识别各种设备和检测设备模仿者。

频谱分析仪的截图显示了性能特征改变功率放大器(P A)加热时,它会创建一个视觉系统作为时间的函数。

数字Pre-Distortion

应用神经网络的数字预失真(DPD)来抵消效应的非线性功率放大器(PA)。

比较5 g NR信道估计基于理想化估计,线性插值或深度学习技巧。

梁管理和信道估计

使用神经网络来降低计算复杂度的5 g NR波束选择的任务。火车5 g的CNN NR信道估计。

比较实际的位置与颜色位置预测对象在一个房间里使用cnn。

定位和定位

使用生成的IEEE®802.11 az™数据训练的CNN本地化和定位。

可视化星座图等各种autoencoders收敛标准调节问P S K或16 P S K。

收发器的设计

使用一个无监督神经网络,学习如何有效地数据压缩和解压,形成一个autoencoder。训练和测试神经网络估计似然比率(LLR)。