人工智能应用于SDR的信号分析系统.doc

人工智能应用于SDR的信号分析系统来源:微波射频网随着无线协议变得越来越复杂,频谱环境的竞争日益激烈,电子战也越来越复杂。无线电所需的基带处理程度也更加复杂和专业化。在充满威胁的复杂环境下,想要完全优化射频系统是不现实的。设计人员以前一直依赖简化的封闭式模型,但是这些模型无法准确捕捉到真实效果;而且对系统的优化也非常零碎,仅能优化单个组件,无法进行完整的端到端优化。在过去几年里,人工智能已经取得了长足的进步,尤其是机器学****技术中的深度学****为了解决众多棘手问题,人类设计人员一直都在花费大量精力研究手动式工程解决方案,而深度学****则直接将目标对准了针对特定问题的大型复杂数据集。AI和无线电射频如要了解AI如何简化RF系统设计的复杂性,就需要从大局上了解最近哪些技术进步推动了AI系统的迅速普及。“AI”这个术语已经使用了几十年,从广义上讲,是指基于机器决策的问题解决方法。机器学****ML)属于AI的一种,指使用数据对机器进行训练,以解决特定问题。深度学****是一类具有“特征学****能力的机器学****技术,在这个过程中,由机器决定使用哪些方面的数据作为决策依据,而不是由人类设计人员规定某些明显的特征作为决策依据。例如,设计人员以前都是根据多年的特征识别技术研究心得,手动编写面部识别算法。而深度学****方法将包含人脸的图像数据集与操作人员训练结合起来,可识别出人脸的位置。机器会学****识别人脸的构成,不需要设计人员定义算法。同样,RF信号分类和频谱感知算法也从深度学****方法中获益匪浅。过去的自动调制分类(AMC)和频谱监测方法需要耗费大量人力来进行手动工程特征提取(工程师团队通常需要花费数月时间进行设计和部署),而基于深度学****的系统通过几小时的训练,就能识别新的信号类型。深度学****还允许端到端学****通过这种方式,一个模型可以同时学****编码器和解码器,从而构成一个完整的收发系统。该模型不需要尝试逐个优化每个组件(例如,数模转换器[DAC]、模数转换器[ADC]、射频转换器、无线信道和接收器网络),并将它们拼接在一起,而是将系统视为端到端函数,学****从整体上优化系统。基于AI与深度学****的SDR硬件架构SDR将宽带前端和功能强大的处理器相结合,为信号分析应用提供了理想的平台。人工智能和深度学****技术可以训练系统,使系统检测信号的速度远超手工编写的算法。了解DeepSig如何将COTSSDR与人工智能和深度学****相结合。用于防御的COTSCR系统通常包括两种类型:,利用人工智能实时确定可作为行动依据的情报。这些系统采用FPGA和通用处理器(GPP),有时会额外配备紧凑型图形处理单元(GPU)模块。,通常由与高端服务器相连的CR组成,具有功能强大的GPU,可进行离线处理。这些系统经常需要用到较大型的RF仪器,而且由于数据处理量增加,往往需要使用吞吐量更高的总线,例如PCIe。对于低SWaP系统来说,FPGA硬件处理效率、低延迟性能以及GPP可编程性就非常关键。虽然对FPGA进行编程可能会使开发变得复杂一些,但这是实时系统实现低SWaP的关键。为此,NI和EttusResearch联合开发了通用软件无线电外设(USRP),为这些系统提供了紧凑的现成平台。用户可编程FPGA是USRP设备的固有组成部分,直接集成LabVIEW或开源软件,例如芯片射