Deutsch
Francais
Nederlands
Svenska
Norsk
Dansk
Suomi
Espanol
Italiano
Portugues
Magyar
Polski
Cestina
Русский
De vraag naar betrouwbare communicatie in omgevingen met hoge mobiliteit, zoals hogesnelheidstreinen, onbemande luchtvoertuigen (UAV's), en de opkomst van augmented reality (AR) en virtual reality (VR), is exponentieel gestegen. Dit heeft geleid tot de ontwikkeling van nieuwe modulatie-technieken die beter bestand zijn tegen de uitdagingen van snel variërende kanalen. Een van deze technieken is de orthogonale tijd-frequentieruimte (OTFS), die gebruik maakt van de Discrete Zak Transformatie (DZT) om de beperkingen van traditionele methoden zoals Orthogonale Frequentie-Divisie Multiplexing (OFDM) te overwinnen.
OFDM, hoewel effectief in statische kanalen, heeft een grote zwakte in omgevingen met snel veranderende Doppler-effecten. Deze effecten verstoren de orthogonaliteit van de subdragende frequenties, wat leidt tot significante verlies van prestaties bij hoge snelheden. OTFS biedt een oplossing door gebruik te maken van de DZT, die de transmissie van signalen in de vertraging-Doppler (DD) domeinen faciliteert, wat beter past bij de dynamiek van mobiele communicatie. Dit nieuwe paradigma maakt het mogelijk om communicatie efficiënter te maken in omgevingen met aanzienlijke Doppler- en vertragingseffecten.
In OTFS worden reflectoren geïdentificeerd door hun vertraging en Doppler ten opzichte van de zender. Dit stelt het systeem in staat om de locatie van reflectoren in de vertraging-Doppler ruimte te representeren, wat cruciaal is voor de signaalverwerking en -analyse. De DZT speelt hierbij een centrale rol, door een eendimensionale periodieke sequentie om te zetten naar een tweedimensionale representatie in de DD-domeinen.
Het Proces van de Discrete Zak Transformatie (DZT)
De DZT is een krachtige techniek die oorspronkelijk werd ontwikkeld voor radarsystemen en nu wordt toegepast in communicatie. Het maakt gebruik van de principes van de Zak-transformatie, die een eendimensionale periodiciteit omzet in een tweedimensionale signalenverwerking. Dit proces vindt zijn toepassing zowel in radar- als communicatiesystemen.
In een radarsysteem wordt de DZT gebruikt om de reflectie van een doelwit te analyseren. Een typisch radarsysteem, zoals weergegeven in de figuur van een pulse radar, zendt een serie van rechthoekige pulsen uit die door het doelwit worden gereflecteerd. Deze reflecties bevatten informatie over de afstand en snelheid van het doelwit, die via de DZT in de vertraging-Doppler ruimte wordt gepresenteerd. De DZT maakt het mogelijk om de reflecties van het doelwit te reconstrueren en de bijbehorende afstand en snelheid nauwkeurig te schatten.
In de communicatiewereld wordt de DZT gebruikt om de kanalen te modelleren in termen van vertraging en Doppler. Het systeem verwerkt signalen door de fasen en vertragingen van de signalen op de juiste manier te schatten en de informatie over de reflectoren vast te leggen in een vertraging-Doppler matrix. De matrix wordt vervolgens geanalyseerd om de nodige transmissieparameters te berekenen en een efficiënte communicatie mogelijk te maken.
Het Gebruik van OTFS in Radarsystemen
In een OTFS-systeem worden de elementen van de vertraging-Doppler matrix gecodeerd om een efficiënte communicatie te garanderen. Bij radarprocessen komt de reflectie van het doelwit tot uiting in een 2D-matrix waarin zowel de vertraging als de Doppler van het doelwit worden gerepresenteerd. Het gebruik van de DZT maakt het mogelijk om deze reflecties snel te verwerken en de positie en snelheid van het doelwit in de DD-ruimte te schatten.
Het proces van de DZT bestaat uit drie belangrijke stappen: eerst worden de signalen verzameld en gerangschikt in een matrix volgens de vertraging en Doppler. Vervolgens wordt de discrete Fourier-transformatie (DFT) uitgevoerd om de vertraging-Doppler matrix te verkrijgen. Ten slotte wordt de range en snelheid van het doelwit berekend op basis van de waarden in deze matrix. Het resultaat is een nauwkeurige schatting van de eigenschappen van het doelwit, wat essentieel is voor zowel radar- als communicatiesystemen.
Het proces wordt vereenvoudigd door het gebruik van de inverse discrete Zak-transformatie (IDZT) aan de zenderzijde, die de verwerkte signalen omkeert naar hun oorspronkelijke vorm, waardoor een effectieve terugkoppeling en transmissie mogelijk is.
Toepassing van OTFS in Communicatie
Het OTFS-systeem biedt grote voordelen in mobiele communicatie, vooral wanneer de zender en ontvanger snel bewegen ten opzichte van elkaar. Bij het gebruik van de DZT kunnen de kanaaleigenschappen die anders moeilijk te beheren zouden zijn in snel veranderende omgevingen, efficiënt worden geanalyseerd en geoptimaliseerd. Dit betekent dat OTFS een veelbelovende oplossing biedt voor het verbeteren van de prestaties van draadloze netwerken in een breed scala van toepassingen, van autonoom vervoer tot virtuele omgevingen.
Naast de theoretische voordelen van OTFS, zoals een verbeterde robuustheid tegen Doppler- en vertragingseffecten, zijn er ook praktische overwegingen, zoals de rekenkundige complexiteit van de DZT en de implementatie ervan in real-world systemen. Het is van cruciaal belang dat de signalen snel kunnen worden verwerkt en dat de nauwkeurigheid van de metingen wordt behouden, wat betekent dat toekomstige systemen zich zullen moeten concentreren op zowel hardwarematige als algoritmische verbeteringen.
In het algemeen biedt OTFS een veelbelovende benadering voor de communicatie van de toekomst, waarin dynamische en complexe omgevingen de norm zijn. De integratie van DZT in deze systemen zal niet alleen de efficiëntie van communicatie verbeteren, maar ook de mogelijkheid bieden om nieuwe toepassingen te ontwikkelen die eerder onbereikbaar waren door de beperkingen van traditionele methoden.
Welke technologieën zullen de draadloze communicatie in de toekomst vormgeven?
De opkomst van technologieën zoals kunstmatige intelligentie (AI) en machine learning (ML) heeft de potentie om de efficiëntie en betrouwbaarheid van communicatienetwerken drastisch te verbeteren. Deze technologieën maken onder andere voorspellend onderhoud, spectrumbeheer, interferentiemitigatie en zelfoptimalisatie mogelijk, wat resulteert in een hogere netwerkprestaties. De toepassing van AI en ML in draadloze netwerken vergemakkelijkt de ontwikkeling van geavanceerde functies zoals intelligent beamforming, adaptieve modulatie en voorspellende analyses, die de signaaltransmissie optimaliseren en de gebruikerservaring verbeteren. Naarmate AI- en ML-algoritmen blijven evolueren, zullen ze een steeds grotere rol spelen in de vormgeving van de toekomst van draadloze communicatie, door nieuwe mogelijkheden en toepassingen te ontsluiten die voorheen niet bereikbaar waren.
In het licht van deze vooruitgangen wint een andere technologie aan betekenis: Visible Light Communication (VLC). Deze technologie maakt gebruik van het zichtbare lichtspectrum, meestal via lichtemitterende dioden (LED’s), om draadloos gegevens over te dragen. Door de lichtintensiteit met hoge snelheden te moduleren, biedt VLC gegevensoverdrachtssnelheden die gelijk zijn aan of zelfs hoger zijn dan die van traditionele op radiogolven gebaseerde technologieën. VLC biedt ook inherente veiligheidsvoordelen, aangezien lichtsignalen niet door ondoorzichtige obstakels kunnen doordringen, wat het een veilig communicatiekanaal maakt voor gevoelige gegevensoverdracht. Bovendien kan VLC naadloos worden geïntegreerd in bestaande verlichtingsinfrastructuur, wat het een kosteneffectieve oplossing maakt voor binnentoepassingen, vooral in omgevingen waar radiogolfinterferentie een probleem vormt. Met het potentieel om een snelle, veilige en energie-efficiënte communicatie te bieden, staat VLC op het punt de manier waarop we gegevens in toekomstige communicatiesystemen overdragen te revolutioneren.
Wat betreft de toepassingen van de nieuwste draadloze technologieën, heeft 5G de deur geopend naar een breed scala aan nieuwe scenario's en eisen. Een van de belangrijkste toepassingen die door 5G wordt mogelijk gemaakt, is eMBB (enhanced Mobile Broadband). Deze technologie biedt aanzienlijk snellere gegevenssnelheden en lagere latentie in vergelijking met eerdere generaties, wat tal van nieuwe mogelijkheden opent, zoals HD-video streaming, virtual reality (VR), augmented reality (AR) en meeslepende gamingervaringen. Deze vooruitgangen zullen de manier waarop we entertainment en media consumeren ingrijpend veranderen.
Daarnaast maakt de URLLC (Ultra-Reliable Low Latency Communications) van 5G nieuwe toepassingen mogelijk die van cruciaal belang zijn voor de samenleving, zoals autonome voertuigen, telechirurgie en industriële automatisering, waar betrouwbaarheid en onmiddellijke responsiviteit essentieel zijn. De opkomst van mMTC (massive Machine-Type Communications) brengt de connectiviteit van miljarden apparaten binnen het Internet of Things (IoT) ecosysteem binnen handbereik, waardoor het concept van slimme steden, slimme netwerken en slimme woningen werkelijkheid wordt. Deze netwerken gebruiken verbonden sensoren en apparaten om gegevens te verzamelen en uit te wisselen, waarmee hulpbronnen efficiënter worden gebruikt en de levenskwaliteit wordt verbeterd.
Naast deze belangrijke toepassingen vereist de overgang naar 5G en verder ook een heroverweging van het spectrumbeheer. De vraag naar spectrumbronnen neemt toe, waardoor efficiënte toewijzingsstrategieën en het gebruik van spectrum noodzakelijk zijn om diverse toepassingen en diensten in stand te houden. De verdichting van netwerken speelt eveneens een sleutelrol, waarbij het gebruik van kleine cellen, gedistribueerde antennes en netwerkverdeling noodzakelijk wordt om de dekking, capaciteit en betrouwbaarheid in stedelijke gebieden en binnenomgevingen te verbeteren.
De vooruitgang die wordt geboekt in de draadloze communicatietechnologieën zal dus niet alleen invloed hebben op de netwerken zelf, maar ook op een breed scala van industrieën en toepassingen. Het stelt ons in staat om de digitale kloof te overbruggen door te zorgen voor connectiviteit in afgelegen en onderbediende gebieden, waardoor we een nieuwe wereld van mogelijkheden creëren voor diverse gemeenschappen wereldwijd.
Hoe beïnvloeden atmosferische omstandigheden en UAV-stabiliteit de prestaties van FSO-communicatiesystemen?
Het gebruik van hoogvliegende, door zonne-energie aangedreven onbemande luchtvaartuigen (UAV's) met Free Space Optics (FSO) communicatie biedt veelbelovende mogelijkheden om draadloze verbindingen te realiseren in moeilijk bereikbare gebieden. Wanneer UAV-inzet niet praktisch of economisch haalbaar is, kunnen ook satellieten in geostationaire of lage baan om de aarde (LEO) als alternatieve FSO-communicatiebruggen fungeren. Een van de belangrijkste uitdagingen bij UAV-FSO technologie is echter de verhoogde kans op obstructie van de verticale FSO-verbinding door veranderlijke meteorologische omstandigheden.
Om dit probleem te mitigeren, zijn er verschillende methodieken ontwikkeld. Zo kan een adaptief algoritme het zendvermogen dynamisch aanpassen aan de actuele weersomstandigheden en tevens parameters zoals de invalshoek van de FSO-transceiver wijzigen om degradatie van de verbinding tegen te gaan. Bijvoorbeeld, in slechtere weersomstandigheden worden krachtige FSO-stralen ingezet, terwijl bij gunstige omstandigheden kan worden volstaan met lage vermogens. Daarnaast helpt een optimalisatie-algoritme bij het strategisch positioneren van UAV’s, bijvoorbeeld onder wolken in gebieden met weinig turbulentie, om de verbindingskwaliteit te maximaliseren.
Het photo detector (PD) in een intensiteitsmodulatie/direct detectie (IM/DD) FSO-systeem is gevoelig voor fluctuaties in de optische signaalsterkte. De voornaamste ruisbron is shot noise afkomstig van achtergrondlicht. De kanaalcoëfficiënt tussen FSO-zender en PD is afhankelijk van diverse fenomenen en wordt gemodelleerd als een product van de PD-responsiviteit, atmosferische verliezen, turbulentie-geïnduceerde fading, en verliezen door geometrie en misalignatie. Positionele en oriëntatiefluctuaties van de UAV, veroorzaakt door onder andere wind, luchtverplaatsingen en interne vibraties van propellers, verminderen de betrouwbaarheid van de FSO-link met het vaste ontvangststation aanzienlijk. Dit beïnvloedt direct de prestaties van het tracksysteem dat verantwoordelijk is voor het uitlijnen van de laserstraal met de lens van de ontvanger.
De atmosferische verliezen hangen af van de afstand en de atmosferische omstandigheden en worden uitgedrukt via een weerafhankelijke dempingsconstante. Typische waarden variëren sterk, van heldere lucht tot zware mist, wat een exponentiële demping veroorzaakt. Turbulentie, veroorzaakt door temperatuurs- en drukvariaties, kent verschillende intensiteitsniveaus, van zwak tot sterk, die elk met verschillende statistische modellen worden beschreven: lognormale verdeling voor zwakke turbulentie en Gamma-Gamma verdeling voor matige tot sterke turbulentie. De parameters van deze verdelingen zijn gerelateerd aan de Rytov-variantie, die de mate van turbulentie kwantificeert.
Naast atmosferische effecten leidt de onvermijdelijke misalignatie tussen zender en ontvanger door UAV-vibraties tot aanvullende signaalverliezen, die statistisch gemodelleerd kunnen worden met behulp van Bessel-functies en probabiliteitsdichtheidsfuncties. Dit maakt duidelijk dat de stabiliteit van het platform cruciaal is voor het behouden van een betrouwbare FSO-verbinding.
Innovatieve concepten zoals de combinatie van UAV’s met intelligente reflecterende oppervlakken (IRS) creëren UAV-ondersteunde IRS-netwerken (UAIRS). Deze technologie kan volledige hoekreflectie bereiken, signaalverzwakking verminderen en de datarates van voertuig-naar-alles (V2X) communicatie aanzienlijk verhogen door real-time aanpassing van reflectiecoëfficiënten. Daarnaast kan een IRS-gebaseerde ruimtelijke equalizer de multipadvervaging reduceren, terwijl UAV’s dynamisch hun positie aanpassen om continue LoS-verbindingen met mobiele voertuigen te waarborgen en de dekking intelligent uit te breiden.
Bij het analyseren van het prestatiegedrag in communicatieomgevingen met bewegende zenders, ontvangers en omringende verspreiders, is het aannemelijk dat het ontvangen signaal wordt onderworpen aan dubbele verspreiding door zogenaamde keyhole-propagatie, gecombineerd met grote schaduwwerking veroorzaakt door obstructies zoals gebouwen. Deze schaduwwerking kan gemodelleerd worden met de inverse Gamma verdeling, terwijl de verspreiding van het signaal zelf met dubbele Nakagami-m distributies beschreven kan worden. Door deze probabilistische modellen samen te brengen, ontstaat een gedetailleerd inzicht in de complexe fadingmechanismen binnen UAV-geassisteerde FSO-kanalen.
Het begrijpen van deze complexe interacties tussen atmosferische effecten, platformstabiliteit en geavanceerde signaalverwerkingstechnieken is essentieel om de robuustheid en betrouwbaarheid van toekomstige draadloze optische communicatiesystemen te waarborgen.
Bovendien is het cruciaal te beseffen dat naast technische optimalisaties, operationele aspecten zoals het tijdig aanpassen van UAV-posities, de integratie met weersvoorspellingsmodellen en de implementatie van adaptieve transceiversystemen onlosmakelijk verbonden zijn met het succes van FSO-technologie in praktische toepassingen. Deze multidisciplinaire benadering, waarin meteorologie, aerodynamica en optische communicatietechniek samenkomen, vormt de basis voor de verdere ontwikkeling van veerkrachtige en efficiënte lucht-gebaseerde optische netwerken.
Hoe kunnen UAV’s effectief worden geïdentificeerd en gevolgd binnen het luchtruim?
De behoefte aan een betrouwbaar en schaalbaar systeem voor de identificatie en monitoring van onbemande luchtvaartuigen (UAV’s) groeit exponentieel met hun toenemende integratie in nationale en internationale luchtruimen. De ASTM F38 Remote ID-standaard is ontwikkeld om deze uitdaging aan te gaan. Deze standaard maakt het mogelijk om UAV’s op afstand te identificeren via een toegewezen identificatiecode, zichtbaar voor zowel het grote publiek als bevoegde autoriteiten. Belangrijk hierbij is de waarborging van privacy: persoonlijke gegevens van de UAV-operator blijven beschermd, terwijl de noodzakelijke operationele informatie transparant wordt gedeeld.
De standaard specificeert hoe UAV’s informatie zoals ID, locatie, snelheid en richting kunnen uitzenden. Deze gegevensoverdracht gebeurt via draadloze IP-gebaseerde verbindingen naar een UAS Service Supplier (USS). Dit vormt de kern van een breder ecosysteem waarin luchtverkeersleiding, wetshandhaving en civiele partijen toegang krijgen tot dynamische, contextspecifieke informatie over UAV-activiteiten.
In de Verenigde Staten speelt het Low-Altitude Authorization and Notification Capability (LAANC)-programma een sleutelrol. Deze samenwerking tussen de Federal Aviation Administration (FAA) en de industrie biedt UAV-operators de mogelijkheid om toegang te verkrijgen tot gecontroleerd luchtruim onder 400 voet. LAANC fungeert als een geautomatiseerde vergunningsstructuur, waarbij gegevens uit verschillende bronnen zoals faciliteitenkaarten, tijdelijke vluchtbeperkingen en luchtruimclassificaties worden geïntegreerd. Hierdoor ontstaat een realtime overzicht dat zowel veiligheid als operationele efficiëntie ten goede komt.
China’s Civil Aviation Administration (CAAC) heeft een andere benadering gekozen door het specificeren van data-eisen voor het zogenaamde UAV cloud-systeem. Dit systeem vereist dat UAV’s vluchtinformatie in realtime via mobiele netwerken naar een USS versturen. In dichtbevolkte gebieden geldt een frequentie van één update per seconde, terwijl dit in minder drukke gebieden is teruggebracht tot één update per 30 seconden. De nauwkeurigheid en continuïteit van de datastromen zijn van cruciaal belang, wat hoge eisen stelt aan netwerkstabiliteit en systeemonderhoud.
Parallel hieraan ontwikkelt de Internet Engineering Task Force (IETF) het Drone Remote ID Protocol (DRIP). DRIP is gericht op het standaardiseren van communicatieprotocollen voor remote ID, en onderscheidt twee vormen: broadcast Remote ID en network Remote ID. De eerste betreft eenrichtingsverkeer via Bluetooth of Wi-Fi, waardoor observatoren toegang krijgen tot UAV-registratiegegevens zonder actieve netwerkverbinding. De tweede vorm maakt gebruik van dataoverdracht via netwerken naar een RID-serviceprovider, die vervolgens reageert op verzoeken van observatoren met interesse in specifieke luchtruimsecties.
Deze gedifferentieerde aanpak maakt het mogelijk om afhankelijk van het toepassingsgebied – stedelijk, landelijk, gecontroleerd of open luchtruim – een passende identificatie- en monitoringstrategie te hanteren. De interoperabiliteit tussen UTM-systemen (Unmanned Aircraft System Traffic Management) is hierbij essentieel. Iedere UAV moet geregistreerd zijn bij minimaal één UTM, wat ervoor zorgt dat de luchtverkeersinfrastructuur toegang heeft tot relevante gegevensstromen. In het geval van network RID bestaat er een directe verbinding tussen UAV en UTM, terwijl bij broadcast RID de operator de mogelijkheid heeft om vooraf een vierdimensionaal luchtruimvolume te definiëren, waarin het systeem operationele waarneming behoudt.
Aanvullend kunnen externe observatoren informatie over waargenomen UAV’s aanleveren aan UTM-systemen, wat het model van situational awareness versterkt door middel van collectieve detectie. Dit hybride model van identificatie, gebaseerd op zowel directe communicatie als netwerkgemedieerde uitwisseling, vormt de basis voor een toekomstbestendig, veilig en schaalbaar luchtverkeerssysteem waarin UAV’s een volwaardige rol vervullen.
Het is belangrijk te beseffen dat deze standaarden en protocollen slechts zo robuust zijn als de infrastructuur die hen ondersteunt. De betrouwbaarheid van mobiele netwerken, de bescherming van communicatiekanalen tegen manipulatie of interceptie, en de continue synchronisatie van gegevens tussen verschillende USS’en en UTM’s vormen kritieke aandachtspunten. Daarnaast is de juridische en ethische context waarin identificatie plaatsvindt van doorslaggevend belang: transparantie mag geen inbreuk maken op burgerrechten of commerciële belangen van UAV-operators.
De effectiviteit van deze systemen hangt uiteindelijk af van hun implementatie in uiteenlopende jurisdicties, de mate van internationale harmonisatie en de bereidheid van overheden en industrie om gezamenlijk standaarden te blijven ontwikkelen en te handhaven.
Hoe Optimalere Detectie Regels en Machine Learning Technieken Worden Gebruikt in Draadloze Communicatie
In de context van draadloze communicatie is het essentieel om een optimale detectie regel te ontwerpen die de kans op fouten minimaliseert. Het doel is om de foutkans te verlagen, wat gelijk staat aan het maximaliseren van de kans op een correcte beslissing, oftewel het bepalen van de boodschap die overeenkomt met het ontvangen signaal. De kans op een correcte beslissing, gegeven een ontvangen waarde , kan worden uitgedrukt als , en we streven ernaar deze kans te maximaliseren.
De optimale detectie regel is gebaseerd op de a posteriori waarschijnlijkheid , waarbij de verwachte boodschap is die bij een specifiek ontvangen signaal hoort. De detectieregel die de foutkans minimaliseert is degene die de boodschap selecteert die de hoogste waarde van heeft. Dit wordt mathematisch uitgedrukt als:
Deze regel, die bekend staat als de MAP (Maximum A Posteriori) regel, zoekt naar de boodschap die de hoogste a posteriori waarschijnlijkheid heeft gegeven de ontvangen waarde . De kans kan verder worden afgeleid via de Bayesiaanse stelling, wat resulteert in:
waarbij de a priori waarschijnlijkheid van de boodschap is, en de kansdichtheid van het ontvangen signaal gegeven . Aangezien niet afhankelijk is van , kan deze term weggelaten worden, wat de regel vereenvoudigt tot:
Voor het geval waarin de berichten a priori gelijk waarschijnlijk zijn, dat wil zeggen, voor elke , vereenvoudigt de detectie regel zich verder tot de maximum likelihood detector:
waarbij de waarschijnlijkheid van het ontvangen signaal is gegeven de boodschap . Deze regel wordt niet als optimaal beschouwd, tenzij de berichten gelijk waarschijnlijk zijn. Desondanks wordt de maximum likelihood detector vaak gebruikt, vooral wanneer gedetailleerde informatie over de waarschijnlijkheden van de berichten moeilijk te verkrijgen is. Wanneer we de uitdrukking voor invullen, kan de maximum likelihood detectie regel worden herschreven als:
wat verder kan worden vereenvoudigd tot:
Dit is gelijk aan het bepalen van de minimum Euclidische afstand tussen het ontvangen signaal en de verzonden signalen. Dit type detector wordt de nearest-neighbor of minimum-distance detector genoemd. In dit geval, wanneer de berichten a priori gelijk waarschijnlijk zijn, zijn de MAP en de maximum likelihood detector hetzelfde.
Het MAP of de maximum likelihood detector verdeelt de uitvoerruimte in regio’s, genaamd de beslissingsregio’s . Wanneer een ontvangen signaal zich in een bepaalde regio D_n \ bevindt, dan wordt de beslissing genomen in het voordeel van boodschap \( s_n, wat aangeeft dat de detector de boodschap heeft gedetecteerd. De beslissing is correct zolang het ontvangen signaal binnen de juiste beslissingsregio valt.
De beslissingsregio’s worden gedefinieerd door de voorwaarde:
Deze regio’s zijn optimaal in de zin dat ze de foutkans minimaliseren. Als voor een bepaald meerdere berichten de hoogste waarschijnlijkheid hebben, kan het ontvangen signaal aan een van de betreffende beslissingsregio’s worden toegewezen.
In gevallen waarin de kanalen moeilijk precies gemodelleerd kunnen worden, kan een op maximum likelihood gebaseerde benadering worden toegepast om het informatiepatroon tussen het verzonden gemoduleerde signaal en het ontvangen draadloze signaal te leren. Om effectieve machine learning (ML) modellen voor modulatieherkenning te ontwikkelen, is het cruciaal een grote dataset van draadloze signalen te hebben die zijn gemoduleerd met verschillende modulatieschema’s. Het is ook belangrijk om diverse parameters op te nemen, zoals de signaal-ruisverhouding (SNR) en kanaalomstandigheden, om de prestaties van ML-modellen in realistische scenario’s te verbeteren.
Daarnaast zijn er verschillende synthetische datasets voorgesteld voor ML-gebaseerde draadloze classificatie, zoals de RadioML (RML) 2016.10A, RML 2018, en RML 2022 datasets. Deze datasets vormen de basis voor het ontwikkelen van ML-modellen voor modulatieherkenning, en worden vaak gebruikt om de effectiviteit van nieuwe detectiealgoritmen en -modellen te evalueren.
In de context van de RML16 dataset, die 11 modulatietypen omvat en is samengesteld met behulp van GNURadio, wordt de rol van convolutionele neurale netwerken (CNN's) bij modulatieherkenning steeds prominenter. Deze netwerken kunnen effectief worden getraind om kenmerken van verschillende modulatieschema’s te extraheren, zelfs bij verschillende niveaus van SNR. Door CNN’s te gebruiken, kan men belangrijke lokale temporele kenmerken van de signalen leren, wat cruciaal is voor het nauwkeurig classificeren van modulatieschema’s in variabele kanaalomstandigheden.
Het gebruik van CNN’s in modulatieherkenning is voordelig vanwege hun vermogen om lokale correlaties te benutten door middel van lokale verbindingen tussen lagen, het delen van gewichten en verschuivingsinvariantie. Draadloze communicatie-signalen vertonen vaak sterke lokale structuren die goed aansluiten bij de aannames van CNN’s, waardoor deze benadering bijzonder effectief is bij de modulatieherkenning.
Hoe wordt de anesthesiologische zorg beheerd bij kinderen met atriumfladderen tijdens complexe hartoperaties?
Hoe de ontdekking van sulfanilamide het medische landschap hervormde
Hoe beïnvloedden digitale advertenties en thematische keuzes de presidentsverkiezingen van 2020 in de VS?