AI for Communication Systems

באמצעות למידה עמוקה (Deep Learning) אפשר לפתח מודלי חיזוי למגוון רחב של יישומי עיבוד אותות תקשורת.

כלי MATLAB מאפשרים לבצע את תהליך הלמידה כולו, מקצה לקצה, החל מחקירת האות ועד להטמעה של מערכות עיבוד אות המבוססות על Deep Networks.

להלן סקירה המציגה כיצד באמצעות כלי MathWorks ניתן לפתח מערכת מבוססת AI מקצה לקצה, וכן כיצד ניתן לבצע בקלות:

  • רכישה וייצור מערכי נתונים של אותות – באמצעות סימולציה של אותות, אגרגציה של אותות קיימים וחיבור ישיר לחומרה ומקלטים.
  • ניתוח מקדים אינטראקטיבי לאותות.
  • חילוץ תכונות ושינויי אות לצורך אימוני רשתות.
  • ביצוע Labeling לאותות
  • בניית מודלי Deep Learning למגוון רחב של יישומים שונים בתחומי התקשורת
  • הטמעת המודלים בחומרה ייעודית ובתכונה.

לצפייה בוובינר בנושא -יצירת אותות סימולטיביים

לצפייה בוובינר בנושא – רכישת אותות

סימולציה ורכישת אותות

למידה עמוקה מצריכה לרוב כמויות גדולות מאוד של נתוני אותות לצורך אימון ותיקוף הרשת. מחסור בנתונים מהווה פעמים רבות את הגורם שמגביל את ביצועי הרשת.

MATLAB מאפשר להתגבר על המכשול הזה באמצעות דרכים כגון ייצור אות על ידי סימולציה באופן מלאכותי ורכישת אותות אמיתיים באמצעות חיבור לחומרה ייעודית.

Labeling לאותות וניהול מערכי נתונים:

אפליקציית Signal Labeler היא אפליקציה מובנת בתוך MATLAB שמאפשרת לתייג אותות בצורה מהירה ואינטראקטיבית. ניהול מערכי נתונים גדולים יכול להתבצע בקלות על ידי האובייקט SignalDataStore אשר יוצר מאגר נתונים ב-MATLAB ונועד עבור מאגרי נתונים שכבדים מדי עבור זיכרון המחשב.

ניתוח ועיבוד מוקדם של אותות:

עיבוד מוקדם של אותות יכול לעשות את כל ההבדל בין למידה מוצלחת של הנתונים לבין כישלון.
ניתן להשתמש בפונקציות המובנות ב-MATLAB לצורך ניקיון האותות והסרת אזורים ונתונים לא רצויים ממנו או בצורה אינטראקטיבית, באמצעות אפליקציית Signal Analyzer לביצוע עיבוד אות ללא צורך בכתיבת שורת קוד.

תכנון וייצור רשתות:

ניתן לתכנן ולייצר רשתות למידה עמוקה על ידי כתיבת שורות קוד או על ידי שימוש באפליקציה ייעודית, להוריד רשתות למידה קיימות ישירות לתוך MATLAB, לייבא רשתות שנוצרו בשפות תכנות אחרות, או להשתמש באפליקצייה ייעודית על מנת לייצר את הרשת באופן אינטראקטיבי.

חישוב מקבילי:

ניתן לבצע את האימון באמצעות CPU, GPU, מספר GPUs מקבילים, ענן GPUs או NVIDIA GDX.
MATLAB תומך בכך ומאפשר את השינוי בין האפשרויות השונות על ידי שינוי שורת קוד בודדת.

טרנספורמציות זמן-תדר:

תצוגות זמן-תדר מתארות את השינוי הספקטרלי של האות עם הזמן.
ניתן לאמן באמצעות MATLAB רשתות למידה עמוקה שיכולות לזהות ולחלץ תבניות מתוך תצוגות הזמן-תדר, כך שלמידת האות החד ממדי מתבצעת על ידי למידת תמונות דו-ממדיות.

הטמעה בחומרה ייעודית:

לאחר ייצור מודל ה-Deep Learning המבוקש, ניתן להטמיע אותו ולצרוב אותו בצורה אוטומטית לחומרה ייעודית או לייצר קוד ++C/C שמאפשר הטמעה בתוך קוד אחר.

ניהול ניסויים:

אפליקציית Experiment Manager מאפשרת לנהל מספר רב של ניסויים ברשתות למידה עמוקה, לנתח, להשוות תוצאות ולעזור לטייב את ערכי ההיפר-פרמטרים שיתנו את תוצאות הלמידה הטובות ביותר.

דוגמאות:

להלן דוגמאות שונות המשלבות למידה של רשתות נוירונים עבור אותות שונים.

Autoencoders לתקשורת אלחוטית
דוגמא המסבירה כיצד ניתן לייצר מערכת תקשורת מקצה לקצה, כולל Autoencoder לצורך שידור וקליטה מהימנים

סיווג אפנונים
דוגמא המראה כיצד לייצר מודל לסיווג האפנון של אותות על ידי יצירת אותות סינטטיים, שימוש בהם בתור נתוני אימון לרשת CNN ואז בחינת הרשת באמצעות אותת שהתקבלו מ-software-defined-radio (SDR).

זיהוי ספקטרלי של אותות LTE ו-5G

דוגמא המציגה איך לאמן רשת למידה עמוקה לניטור הספקטרום לצורך סיווג אותות LTE ו-5G

רשת נוירונים ל-DPD

דוגמא המציגה את השימוש ברשת נוירונים לביצוע DPD כדי להתגבר על ההשפעות האי לינאריות במגבר

למידע נוסף, מלאו פרטים ונחזור אליכם בהקדם:


    לקבלת מידע נוסף בנושא מלאו את הטופס