使用AI与深度学习实现SDR硬件架构的信号分析系统

　　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，尤其是机器学习技术中的深度学习。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，而深度学习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。机器学习（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。深度学习是一类具有“特征学习”能力的机器学习技术，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。而深度学习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。机器会学习识别人脸的构成，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习方法中获益匪浅。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），而基于深度学习的系统通过几小时的训练，就能识别新的信号类型。深度学习还允许端到端学习，通过这种方式，一个模型可以同时学习编码器和解码器，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，学习从整体上优化系统。