KI für drahtlose Kommunikation mit MATLAB

Tag 1 von 1

Generieren, Importieren und Verwalten von Daten

Ziel: Verwenden der Wireless Waveform Generator App zur interaktiven Erstellung von 5G NR-standardkompatibler Wellenformen. Konfigurieren und Ausführen von 5G-Kanalmodellen zur Generierung von Datensätzen. Verwenden paralleler For-Schleifen zur schnelleren Berechnung. Nutzung von Signal-Datastores, um Signaldaten in MATLAB zu importieren und organisieren.

• Wireless Waveform Generator App
• Erstellen und Visualisieren von 5G NR-standardkompatiblen Wellenformen
• Konfigurieren eines MIMO-Fadingkanals für Cluster Delay Line
• Generieren von Datensätzen zum Trainieren und Testen von tiefen Netzen
• Parallele Ausführung von For-Schleifen
• Importieren von Daten mit Signal-Datastores

Erstellen und Trainieren von Netzwerken

Ziel: Erstellen und Trainieren eines Deep-Learning-Autoencoder-Netzwerks zur Komprimierung der Kanalschätzung für ein CSI-Feedback-System. Verwenden der Experiment Manager App für eine Parameterstudie und zum Verwalten der Ergebnisse

• Erstellen von Datensätzen für Training, Validierung und Test
• Erstellen und Visualisieren von Deep-Learning-Netzwerken
• Einsatz von GPUs zum Trainieren von Deep-Learning-Netzwerken
• Experiment Manager App

Ausführen von Python-Code in MATLAB

Ziel: Ausführen von Python-Befehlen und -Skripten in MATLAB und Rückgabe der Ausgabevariablen im MATLAB Workspace. Erstellen und Trainieren eines Autoencoder-basierten neuronalen Netzwerks in PyTorch für ein Massive MIMO CSI-Feedback.

• Einrichten der Python-Umgebung in MATLAB
• Ausführen von Python-Befehlen in MATLAB
• Ausführen von Python-Skripten in MATLAB
• Erstellen und Trainieren von Deep-Learning-Netzwerken in Python