AI人工智慧與無線電通信

AI人工智慧如何開始影響無線電通信的

機器學習和深度學習技術有望實現無線網路的端到端優化，同時將PHY和信號處理設計商品化並幫助克服射頻信號的複雜性

當人工智慧（AI）技術到達無線信道時會發生什麼？首先，AI承諾通過採用強大的機器學習演算法並顯著改善RF參數（如信道帶寬，天線靈敏度和頻譜監控）來解決射頻（RF）系統的設計複雜性問題。

到目前為止，已經通過諸如認知無線電之類的技術來為無線網路中的各個組件進行智能化工程。然而，針對頻譜監測等應用的這些零碎優化是勞動密集型的，它們需要努力手工設計特徵提取和選擇，這通常需要數月才能完成設計和部署。

另一方面，機器學習和深度學習等AI表現形式可以在幾個小時內調用數據分析來訓練無線電信號類型。例如，與基於迭代和演算法信號搜索和信號檢測和分類的傳統方法相比，訓練的深度神經網路花費幾毫秒來執行信號檢測和分類。

圖1：深度學習允許在信號捕獲後的幾秒鐘內訓練RF信號。資料來源：National Instruments

值得注意的是，這些增益還可以顯著降低功耗和計算要求。此外，學習的通信系統允許無線設計者優先考慮關鍵設計參數，例如吞吐量，延遲，範圍和功耗。

更重要的是，基於深度學習的培訓模型有助於更好地了解運營環境，並承諾提供端到端的學習，以創建最佳的無線電系統。例證：一種培訓模型，可以共同學習無線電發射器和接收器的編碼器和解碼器，同時包含RF組件，天線和數據轉換器。

此外，無線領域中深度學習承諾的技術是物理層（PHY）和信號處理設計的商品化。將基於深度學習的感測與有源無線電波形相結合，創造了一類新的用例，可以在各種無線電環境中智能地運行。

以下部分將介紹幾個設計案例研究，展示AI技術在無線通信中的潛力。

兩個設計案例研究

首先，DeepSig公司的OmniSIG軟體開發套件（SDK）基於深度學習技術，並採用實時信號處理，允許用戶訓練信號檢測和分類感測器。

DeepSig聲稱其OmniSIG感測器可以檢測到Wi-Fi，藍牙，蜂窩和其他無線電信號，速度比現有無線技術快1000倍。此外，它使用戶能夠理解頻譜環境，從而促進上下文分析和決策制定。

ENSCO是美國政府和國防供應商，正在培訓OmniSIG感測器，以檢測和分類無線和雷達信號。在這裡，ENSCO旨在部署基於AI的功能，以克服傳統設計的信號智能RF系統的性能限制。

DeepSig的OmniPHY軟體所做的是允許用戶學習通信系統，並隨後優化信道條件，惡劣的頻譜環境和硬體性能限制。這些應用包括抗干擾能力，非視距通信，有爭議頻譜中的多用戶系統以及減輕硬體失真的影響。

圖2：機器學習允許設計人員根據多普勒時間光譜圖對無線電信號進行分類，以識別日常活動。資料來源：National Instruments

另一個設計案例研究顯示了深度學習等AI技術如何影響未來的硬體架構和設計，是用於監控療養院健康，活動和福祉的被動Wi-Fi感測系統（圖2）。考文垂大學開發的連續監視系統採用手勢識別庫和機器學習系統進行信號分類，並對反映患者的Wi-Fi信號進行詳細分析，揭示身體運動和生命體征的模式。

住宅醫療系統通常採用可穿戴設備，基於攝像頭的視覺系統和環境感測器，但它們帶來諸如身體不適，隱私問題和有限檢測精度等缺點。另一方面，基於活動識別和穿牆呼吸感測的被動Wi-Fi感測系統是非接觸式，準確且微創的。

養老院的被動Wi-Fi感測源於倫敦大學學院開展的被動Wi-Fi雷達研究項目。基於NI（NI）軟體定義無線電（SDR）解決方案的無源Wi-Fi雷達原型完全無法檢測，可用于軍事和反恐應用。

USRP收發器和LabVIEW

無源Wi-Fi感測系統是一種僅接收系統，用於測量跨多路徑傳播移動室內物鏡所引起的動態Wi-Fi信號變化。在這裡，機器學習等AI技術允許工程師使用頻率來測量測量持續時間內的相位變化率以及多普勒頻移來識別運動。

機器學習演算法可以建立物理活動和與手勢相關聯的多普勒時間光譜圖之間的鏈接，例如拾取或坐下。數據批次的階段足夠準確，以辨別呼吸引起的小體積運動。

考文垂大學使用通用軟體無線電SDR外設（USRP）和LabVIEW軟體構建了一個無源Wi-Fi感測系統原型，用於捕獲，處理和解釋原始射頻信號樣本。LabVIEW是一種用於處理器和FPGA的直觀圖形化編程工具，使工程師能夠管理複雜的系統配置並調整信號處理參數以滿足精確的要求。

圖3：與LabVIEW軟體介面的USRP收發器允許工程師，科學家和學生開發下一代無線技術的演算法。資料來源：National Instruments

另一方面，USRP是一種基於SDR的可調諧收發器，與LabVIEW協同工作，用於無線通信系統的原型設計。它已經被用於無線應用的原型設計，如FM收音機，測向，射頻記錄和回放，無源雷達和GPS模擬。

考文垂大學的工程師使用USRP捕獲原始RF樣本並將其傳送到LabVIEW應用程序，以便快速處理信號。他們還動態地改變了數據陣列和分析常式的批量大小，以使系統適應緩慢和快速的運動。

工程師能夠解釋一些捕獲的信號，並直接將批次階段的周期性變化與手勢和呼吸率聯繫起來。接下來，他們檢查了數據批次的階段是否足夠精確，以辨別呼吸引起的小身體運動。

AI：下一個無線前沿

上述設計實例展示了機器學習和深度學習等AI技術在革新射頻電路設計，解決各種射頻電路設計領域和創建新無線用例方面的潛力。

這些仍然是在無線網路中實施AI的早期階段。但是USRP這樣的商業產品的可用性表明，人工智慧的革命已經到了無線傳輸的臨門一腳。

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

隨著技術發展，AI人工智慧已經在電子商務、金融以及醫療等方面得到了應用。在移動互聯網、物聯網、天地一體化信息網路的驅動下，未來無線網路會向速率更高、接入更多、覆蓋更廣的方向發展，對頻譜資源提出更多的挑戰。在射頻電路設計領域的應用案例及未來充滿潛力的創新將繼續推動著無線電通信發展。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！