中国体彩网官网

2020-03-28 來源︰微波射頻網綜合(he)整理 我要評論(0) 字(zi)號︰大(da)

隨(sui)著(zhou)無線協議變得越來越復雜,頻譜環境的(de)競爭日(ri)益(yi)激烈,電子戰也越來越復雜。無線電所需的(de)基(ji)帶處理程度也更加(jia)復雜和(he)專業化。

在充滿(man)威脅的(de)復雜環境下,想要完全優化射頻系(xi)統(tong)是不現實的(de)。設計人員(yuan)以前一直依賴簡化的(de)封閉式模型,但是這些(xie)模型無法(fa)準確捕捉到真實效果;而(er)且對系(xi)統(tong)的(de)優化也非常零碎(sui),僅能優化單個組(zu)件,無法(fa)進(jin)行完整的(de)端到端優化。

在過去幾年里,人工智(zhi)能已經取(qu)得了(liao)長足的(de)進(jin)步,尤其是機器學習(xi)技術中的(de)深度學習(xi)。為了(liao)解決(jue)眾多棘手問(wen)題,人類設計人員(yuan)一直都在花費大(da)量精力研xin)渴佷 焦?探餼jue)方(fang)案,而(er)深度學習(xi)則直接(jie)將(jiang)目標(biao)對準了(liao)針對特定問(wen)題的(de)大(da)型復雜數據集(ji)。

AI和(he)無線電射頻

如要了(liao)解AI如何簡化RF系(xi)統(tong)設計的(de)復雜you)裕 托枰 喲da)局上了(liao)解最近(jin)哪些(xie)技術進(jin)步推動了(liao)AI系(xi)統(tong)的(de)迅速普及。“AI”這個術語已經使用了(liao)幾十年,從廣義上講,是指(zhi)基(ji)于機器決(jue)策的(de)問(wen)題解決(jue)方(fang)法(fa)。機器學習(xi)(ML)屬于AI的(de)一種(zhong),指(zhi)使用數據對機器進(jin)行訓練,以解決(jue)特定問(wen)題。深度學習(xi)是一類具有(you)“特征學習(xi)”能力的(de)機器學習(xi)技術,在這個過程中,由機器決(jue)定使用哪些(xie)方(fang)面的(de)數據作為決(jue)策依據,而(er)不是由人類設計人員(yuan)規定某些(xie)明顯的(de)特征作為決(jue)策依據。

例(li)如,設計人員(yuan)以前都是根據多年的(de)特征識別技術研xin)啃牡茫 佷 bian)寫面部識別算法(fa)。而(er)深度學習(xi)方(fang)法(fa)將(jiang)包(bao)含人臉的(de)圖像數據集(ji)與操作人員(yuan)訓練fang)岷he)起(qi)來,可(ke)識別出人臉的(de)位置。機器會學習(xi)識別人臉的(de)構(gou)成,不需要設計人員(yuan)定義算法(fa)。

同樣,RF信號分類和(he)頻譜感(gan)知(zhi)算法(fa)也從深度學習(xi)方(fang)法(fa)中獲益(yi)匪淺。過去的(de)自(zi)動調制pin)擲啵MC)和(he)頻譜監測(ce)方(fang)法(fa)需要耗費大(da)量人力來進(jin)行手動工程特征提取(qu)(工程師(shi)團隊通常需要花費數月(yue)時間進(jin)行設計和(he)部署),而(er)基(ji)于深度學習(xi)的(de)系(xi)統(tong)通過幾gan) 鋇de)訓練,就能識別新(xin)的(de)信號類型。深度學習(xi)還允許端到端sou) xi),通過這種(zhong)方(fang)式,一個模型可(ke)以同時學習(xi)編(bian)碼器和(he)解碼器,從而(er)構(gou)成一個完整的(de)收發系(xi)統(tong)。該模型不需要嘗(chang)試逐個優化每個組(zu)件(例(li)如,數模轉換器[DAC]、模數轉換器[ADC]、射頻轉換器、無線信道(dao)和(he)接(jie)收器網絡),並將(jiang)它們拼接(jie)在一起(qi),而(er)是將(jiang)系(xi)統(tong)視(shi)為端到端函(han)數,學習(xi)從整體上優化系(xi)統(tong)。

基(ji)于AI與深度學習(xi)的(de)SDR硬件架構(gou)

SDR將(jiang)寬帶前端和(he)功能強大(da)的(de)處理器相結合(he),為信號分析應用提供(gong)了(liao)理想的(de)平台。人工智(zhi)能和(he)深度學習(xi)技術可(ke)以訓練系(xi)統(tong),使系(xi)統(tong)檢測(ce)信號的(de)速度遠(yuan)超手工編(bian)寫的(de)算法(fa)。了(liao)解DeepSig如何將(jiang)COTS SDR與人工智(zhi)能和(he)深度學習(xi)相結合(he)。

用于防御(yu)的(de)COTS CR 系(xi)統(tong)通常包(bao)括兩(liang)種(zhong)類型︰

1. 部署在現場的(de)緊湊zhao)拖xi)統(tong),利用人工智(zhi)能實時確定可(ke)作為行動依據的(de)情(qing)報(bao)。這些(xie)系(xi)統(tong)采用FPGA和(he)通用處理器(GPP),有(you)時會額外(wai)配(pei)備緊湊zhao)屯夾未 淼? PU)模塊。

2. 需要密(mi)集(ji)計算的(de)模塊化可(ke)擴展(zhan)系(xi)統(tong),通常由與高(gao)端服務器相連的(de)CR組(zu)成,具有(you)功能強大(da)的(de)GPU,可(ke)進(jin)行離線處理。這些(xie)系(xi)統(tong)經常需要用到較大(da)型的(de)RF儀(yi)器,而(er)且由于數據處理量增加(jia),往(wang)往(wang)需要使用吞吐(tu)量更高(gao)的(de)總線,例(li)如PCIe。

對于低SWaP系(xi)統(tong)來說,FPGA硬件處理效率、低延遲性能以及GPP可(ke)編(bian)程性就非常關鍵(jian)。雖然對FPGA進(jin)行編(bian)程可(ke)能會使開發變得復雜一些(xie),但這是實時系(xi)統(tong)實現低SWaP的(de)關鍵(jian)。為此,NI和(he)Ettus Research聯合(he)開發了(liao)通用軟件無線電外(wai)設(USRP),為這些(xie)系(xi)統(tong)提供(gong)了(liao)緊湊的(de)現成平台。用戶可(ke)編(bian)程FPGA是USRP設備的(de)固有(you)組(zu)成部分,直接(jie)集(ji)成LabVIEW或(huo)開源軟件,例(li)如芯(xin)片射頻網絡(RFNoC),可(ke)降低使用硬件描述(shu)語言yuan)PGA進(jin)行編(bian)程的(de)難度qu)/p>

對于大(da)型計算密(mi)集(ji)型系(xi)統(tong)而(er)言,擁有(you)可(ke)擴展(zhan)並且可(ke)以異構(gou)利用同類最佳(jia)處理器的(de)硬件架構(gou)意義重大(da)。這些(xie)架構(gou)通常包(bao)括用于基(ji)帶處理的(de)FPGA、用于控(kong)制的(de)GPP以及用于AI處理的(de)GPU。GPU既能夠處理大(da)量數據,同時也相對易于編(bian)程。GPU的(de)缺點是數據管道(dao)長,導致(zhi)傳(chuan)輸時間較長,不過這個問(wen)題只(zhi)對需要超低延遲的(de)系(xi)統(tong)有(you)影響(xiang)。當然,這兩(liang)類系(xi)統(tong)中都jia)行磯嗌璞敢暈xi)牲(sheng)性能為代價來降低功耗,在設計pin)治鮒杏Ω枚源思jia)以權(quan)衡。

認知(zhi)無線電的(de)處理器選(xuan)項

表1. 認知(zhi)無線電的(de)處理器選(xuan)項

舉例(li)來說,美國國防高(gao)級(ji)研xin)考(kao)隻 鄭ARPA)頻譜協同挑(tao)戰賽(Spectrum Collaboration Challenge)中使用的(de)Colosseum試驗(yan)台就是一個大(da)型計算密(mi)集(ji)型系(xi)統(tong)。該系(xi)統(tong)包(bao)含128個帶有(you)板載FPGA的(de)雙通道(dao)USRP(Ettus X310)、帶有(you)多個FPGA的(de)ATCA-3671刀片服務器,以及基(ji)于GPU的(de)高(gao)端服務器,其中ATCA-3671服務器主(zhu)要用于數據聚合(he),GPU則可(ke)進(jin)行強大(da)的(de)AI處理。

DARPA Colosseum測(ce)試台配(pei)備128個Ettus X310 USRP和(he)NI ATCA-3671處理單元

圖1.DARPA Colosseum測(ce)試台配(pei)備128個Ettus X310 USRP和(he)NI ATCA-3671處理單元。

部署系(xi)統(tong)中的(de)AI

如果使用經過訓練的(de)深層神經網絡執行信號檢測(ce)和(he)分類,只(zhi)需要幾毫秒的(de)時間。與使用傳(chuan)統(tong)方(fang)法(fa)的(de)迭代和(he)算法(fa)式信號搜(sou)索、檢測(ce)和(he)分類相比,這種(zhong)模式可(ke)將(jiang)性能提高(gao)好幾個數量kao)ji)。這些(xie)優勢同時也有(you)助于降低功耗和(he)計算要求(qiu),訓練模型的(de)靈敏度通常至(zhi)少是現有(you)方(fang)法(fa)的(de)兩(liang)倍。

美國的(de)DeepSig是一家專門從事信號處理和(he)無線電系(xi)統(tong)業務的(de)初創公(gong)司。其OmniSIG傳(chuan)感(gan)器軟件產品(pin)中使用了(liao)基(ji)于深度學習(xi)的(de)商業化RF傳(chuan)感(gan)技術。該產品(pin)可(ke)與NI和(he)Ettus Research的(de)USRP兼容。借(jie)助深度學習(xi)的(de)自(zi)動特征學習(xi)功能,OmniSIG傳(chuan)感(gan)器只(zhi)需經過幾秒鐘的(de)信號捕獲和(he)訓練,就可(ke)以識別新(xin)的(de)信號類型。

對于學習(xi)型通信系(xi)統(tong),包(bao)括便于直接(jie)在物理層進(jin)行訓練的(de)端到端sou) xi),可(ke)使用DeepSig的(de)OmniPHY軟件來學習(xi)如何在惡劣(lie)的(de)信道(dao)條件和(he)頻譜環境以及硬件性能有(you)限的(de)情(qing)況(kuang)下優化通信系(xi)統(tong)。其中包(bao)括非視(shi)距通信;抗(kang)干擾能力;激烈對抗(kang)環境中的(de)多用戶系(xi)統(tong);和(he)硬件失真效應抑zhong)啤/p>

OmniSIG傳(chuan)感(gan)器使用通用SDR對蜂窩頻段內(na)的(de)信號進(jin)行檢測(ce)和(he)分類

圖2.OmniSIG傳(chuan)感(gan)器使用通用SDR對蜂窩頻段內(na)的(de)信號進(jin)行檢測(ce)和(he)分類。

學習(xi)型通信系(xi)統(tong)的(de)優勢之一是可(ke)以針對不同任務輕松進(jin)行優化。比如有(you)些(xie)用戶更關心吞吐(tu)量和(he)延遲,而(er)有(you)些(xie)用戶可(ke)能會優先考(kao)慮作戰信息(xi)鏈距離、功耗,甚(shen)至(zhi)簽名和(he)檢測(ce)或(huo)攔截概率。此外(wai),在機器學習(xi)中,對作戰環境越了(liao)解,訓練出的(de)解決(jue)方(fang)案就越jie)you)效。

將(jiang)基(ji)于深度學習(xi)的(de)感(gan)測(ce)和(he)有(you)源無線電波形相結合(he),可(ke)實現全新(xin)的(de)自(zi)適shi)Σㄐ魏he)電子戰,從而(er)能夠應對當今對抗(kang)激烈頻譜的(de)環境。對于基(ji)于深度學習(xi)的(de)系(xi)統(tong)訓練而(er)言,處理器性能十分zhong)匾   薔 盜泛螅 媚P途涂ke)以很容易地部署到低SWaP嵌入(ru)式系(xi)統(tong)中,例(li)如邊緣dang) gan)器和(he)戰術無線電。

為什麼在信號分析系(xi)統(tong)中使用SDR?

SDR的(de)核心元件是射頻前端和(he)處理單元,因而(er)非常適合(he)原型和(he)部署基(ji)于AI的(de)信號分析系(xi)統(tong)。USRP的(de)低SWaP使其非常適合(he)通信情(qing)報(bao)部署,用于檢測(ce)低于6 GHz頻率的(de)信號。

對于高(gao)頻率和(he)計算密(mi)集(ji)型應用,PXI平台儀(yi)器可(ke)以擴展(zhan)至(zhi)毫米波頻率,可(ke)處理的(de)頻段最高(gao)可(ke)達(da)Ka頻段,通過x8 PCIe鏈路提供(gong)更高(gao)的(de)數據吞吐(tu)量,並采用包(bao)含多個Xilinx Virtex-7 FPGA的(de)ATCA模塊進(jin)行海量數據處理。

如果要檢測(ce)可(ke)能采用擴頻或(huo)跳頻技術且頻率未知(zhi)的(de)不良信號,就需要采用寬帶接(jie)收機。COTS SDR集(ji)成了(liao)最新(xin)的(de)寬帶ADC和(he)DAC來解決(jue)這一問(wen)題。另外(wai),您可(ke)以組(zu)成多通道(dao)系(xi)統(tong),通過將(jiang)接(jie)收器信道(dao)調諧(xie)到相鄰頻段來擴展(zhan)有(you)效帶寬,或(huo)者通過共享本地振(zhen)蕩(dang)器來實現通道(dao)間的(de)相位一致(zhi)性。這樣不僅能夠檢測(ce)和(he)識別信號,還能對信號進(jin)行測(ce)向和(he)定位。

NI和(he)Ettus Research USRP采用異構(gou)架構(gou)來處理SDR和(he)主(zhu)機PC上xi)男藕擰S捎諶現zhi)系(xi)統(tong)需要生成輸出信號來響(xiang)應頻譜感(gan)測(ce)或(huo)接(jie)收到的(de)信號,SDR上xi)陌逶嗇na)聯處理功能就顯得非常重要。FPGA板載處理可(ke)以提供(gong)很多好處,例(li)如,通過傳(chuan)輸或(huo)僅存(cun)儲感(gan)興趣的(de)信號,來降低延遲(與主(zhu)機雙向傳(chuan)輸所有(you)數據相比)和(he)減少數據鏈路或(huo)總線上xi)氖蕁/p>

惡劣(lie)的(de)電磁環境要求(qiu)信號分析系(xi)統(tong)能夠檢測(ce)未知(zhi)信號並快速適shi)πxin)的(de)威脅。具有(you)深度學習(xi)能力的(de)算法(fa)可(ke)以接(jie)受(shou)訓練以識別新(xin)信號,同時縮短開發時間。而(er)且,SDR架構(gou)具有(you)低SWaP、實時處理能力、寬帶前端和(he)靈活(huo)編(bian)程等優點,無疑是部署基(ji)于AI的(de)信號分析系(xi)統(tong)的(de)理想之選(xuan)。

★ 歡迎下lue)厝斯?zhi)能應用于SDR的(de)信號分析系(xi)統(tong)白皮書 ★

微信掃描或(huo)識別二(er)維碼,下lue)刈試窗bao)!




 

微波射頻行業人士 相聚在這里
【10大(da)細分zhi)ling)域的(de)微信技術交流群】
訂閱微信公(gong)眾號
訂閱微信公(gong)眾號
加(jia)群管理員(yuan)為好友
加(jia)群管理員(yuan)為好友

更多信息(xi),進(jin)入(ru)無線射頻測(ce)試、微波測(ce)量專欄

主(zhu)題閱讀︰ NI  無線電射頻

中国体彩网官网

中国体彩网官网 | 下一页