将人工智能应用于射频设计

人类的发明，即工程系统，依赖于物理学和数学的基本原理，例如麦克斯韦方程、量子力学和信息论等，以实现特定目标。然而，随着工程系统的复杂性和规模迅速增长，其子组件的功能可能呈现出非线性特性，这使得基于第一原理的设计方法受到了限制。四十多年来，MathWorks公司通过MATLAB和Simulink奠定了建模和仿真的坚实基础，如今更是引入了人工智能(AI)技术，帮助设计人员应对这些复杂的多变量系统。

在与MathWorks公司无线通信首席产品经理Houman Zarrinkoub的对话中，我们探讨了AI在下一代无线系统设计中的日益重要角色。

MATLAB的无线设计工具箱

“从最基础的层面来看，您正在构建一个无线系统，例如基站和手机之间的双向通信链路。”Zarrinkoub解释道，“这一过程涉及两个子系统——发射器和接收器，它们通过链路相互‘对话’。”

数字器件负责数据的采样、量化和编码，而射频(RF)器件则处理射频信号生成、上变频、下变频、混合、放大和滤波等任务。MATLAB提供了一系列成熟的工具箱，包括5G工具箱、LTE工具箱和卫星通信工具箱，用于设计、仿真和验证从5G新空口(NR)和LTE到DVB-S2/S2X/RCS2和GPS波形的各种无线信号。此外，还有射频工具箱、天线工具箱和相控阵系统工具箱，可以扩展到子器件级别。

借助AI，MATLAB现在利用深度学习工具箱和强化学习工具箱，提供了两种主要的设计方法。

AI工作流程

工作流程包括四个基本步骤，如图1所示：

1. 数据生成；
2. AI训练；
3. 集成、仿真和测试；
4. 部署和实施。

这些步骤对于各种深度学习模型的应用都是必不可少的，但具体到射频和无线设计领域，它们又能带来哪些助益呢？

图1：用于在无线系统设计中实现AI的MATLAB工作流程。(来源：MathWorks)

数据生成：构建具有代表性的数据集

为了正确训练神经网络，数据生成是不可或缺的一步。对于无线系统而言，数据既可以通过天线捕获真实系统中的信号，也可以通过计算机合成。

数据的鲁棒性至关重要。“关键词在于创建一个有代表性的数据集。如果为一个工作频率为5GHz的无线系统设计，而数据仅限于2.4GHz，则毫无用处。”Zarrinkoub强调，“数据必须多样化，涵盖正常工作条件以及极端条件下的信号性能。通常情况下，很难获得与平均值相差两到三个标准差的异常值数据，但如果缺乏这些数据，当系统超出舒适区时就会失败。”

因此，最佳做法是结合使用真实世界硬件生成的数据集和合成数据集。“使用硬件时，会有很大限制，因为没有足够的时间来创建所有所需数据。为此，我们推出了无线波形生成器应用程序，允许用户生成、验证和分析合成数据，从而扩充训练数据集。”该应用程序让用户选择波形类型，并引入损伤以模拟更真实的信号场景，如图2所示。

图2：无线波形发生器应用程序允许用户生成无线信号并引入损伤。(来源：MathWorks)

迁移学习：信号鉴别

接下来是AI训练阶段，可以选择从头开始训练模型，或者采用迁移学习的方法，即调整已有的预训练模型(如AlexNet、GoogleNet)，使其适应特定任务。

如图3所示，通过添加新的层，可以在特定的无线应用中重复使用经过预训练的网络，从而针对特定的数据集进行更精细的调整。“每个无线信号都由IQ样本组成，我们可以通过绘制频谱图将其转换为图像。”Zarrinkoub解释说，“我们将这一概念应用于无线领域，以区分不同类型的信号，例如敌我识别或5G和4G信号。”

图3：经过预训练的网络可以在特定的无线应用中重复使用，通过添加新的层使模型针对特定数据集进行微调。(来源：MathWorks)

图4显示了使用已建立的语义分割网络(如ResNet-18、MobileNetv2和ResNet-5)对训练有素的系统进行测试的结果。测试使用软件定义无线电(SDR)进行无线(OTA)信号捕获。Zarrinkoub解释说：“发送信号并对其进行分类，根据分类结果执行不同的操作，例如区分4G和5G信号，并据此采取相应的行动。通过对遇到的信号类型进行可靠分类，可以优化系统性能。”

图4：训练后的无线系统输出的标注频谱图，用于区分LTE和5G信号。(来源：MathWorks)

从头开始构建深度学习模型

监督学习：使用内置卷积神经网络(CNN)进行调制分类

调制分类也可以通过深度学习工具箱完成，用户可以在该工具箱中生成合成的信道受损波形数据集，用于训练CNN，并通过硬件(如带有OTA信号的SDR)进行测试(图5)。

图5：使用SDR训练CNN按调制类型对信号进行分类的混淆矩阵输出。(来源：MathWorks)

“对于信号鉴别，可以使用更经典的分类方法，无需开发复杂的训练网络。但是，由于频谱图上难以直接识别调制和编码，大多数人会选择从头开始构建自己的模型。”Zarrinkoub指出，“设计人员会使用MATLAB和Python实现经典的构建块，如整流线性单元(ReLU)，以构建神经网络中的层。最终，神经网络是由元件组成的，训练过程会调整每个元件的增益，直到找到最优解。”

尽管获取调制类型的过程不那么直接，但这种方法可以让无线系统更深入地了解所遇到的信号，并做出更明智的决策。

使用神经网络(NN)进行波束选择和数字预失真(DPD)

利用相同的原理，NN可以在MATLAB环境中定制，以解决固有的非线性问题，例如应用DPD来抵消功率放大器(PA)中的非线性。“DPD是非线性问题的一个典型例子。在无线通信中，信号强度会在传输过程中减弱，必须放大信号以便被接收，但没有任何放大器是完全线性的。”Zarrinkoub解释道，“当PA在其压缩区工作时，信号失真是不可避免的；DPD通过观察PA的输出信号，并作为改变输入信号的反馈，处理这种失真，使PA输出更接近理想值。”

“这个问题本质上是非线性的，尽管已有多种解决方案，但AI的应用显著提升了性能。”Zarrinkoub指出。MATLAB的方法是训练一个全连接的NN作为PA的逆模型，并将其用于DPD(NN-DPD)。随后，使用真实PA测试NN-DPD，并与交叉项记忆多项式DPD进行比较。

此外，Zarrinkoub还描述了基于NN的无线设计在5G和6G中的另一项重要应用(图6)。“深度学习在这两代移动通信中也有很多创新应用，它将传感和通信结合在一起。我们有许多使用不同算法进行用户定位和本地化的深度学习案例，从而实现针对用户的定向数据传输。”

上述用例与集成传感和通信(ISAC)有关。Zarrinkoub回忆道：“当我年轻时为2G和3G系统编程时，通信的理念是向各个方向广播信号，如果接收器接收到这些信息，那自然是最好的，它可以解码传输。如果接收器未能接收到，那就是运气不好。”他继续说道：“然而，随着5G特别是6G的到来，人们对系统的期望越来越高。现在，我们必须精确知道用户的位置，并向他们发送定向波束。如果波束宽度太大，会浪费能量，但如果波束宽度太窄，当用户稍微移动时，可能会错过他们。因此，系统必须不断适应。”在这个解决方案中，基站不再依赖GPS信号、激光雷达或路边摄像头图像，而是成为GPS定位器，发送信号来定位用户，并根据返回的信号发送通信。

图6：使用接收器3D坐标的波束管理解决方案的训练和测试阶段。(来源：MathWorks)

无监督学习：前向纠错(FEC)的自动编码器路径

工程师还可以遵循自动编码器路径，帮助从头开始构建系统。这些深度学习网络由编码器和解码器组成，经过训练后可以复制输入数据，例如去除噪声并检测信号数据中的异常。这种方法的好处是它是无监督的，不需要标注的输入数据进行训练。

“5G和6G的一个主要方面是FEC。”Zarrinkoub指出，“无论传输的内容是语音还是视频，也不论信道条件如何——无论是干净还是存在干扰，接收器都应具备处理这些数据的能力。”FEC是一种通过在消息中添加冗余数据来最小化给定信道中接收信息错误数量的技术(图7)。“借助无线自动编码器，系统能够根据信道条件的估计自动添加冗余信息，并重新进行调制和信道编码，所有这些操作均为无监督进行。”

图7：无线自动编码器系统最终将编码符号限制在信道的有效编码率范围内。(来源：MathWorks)

强化学习：网络安全和认知雷达

通过深度学习和机器学习，输入和输出的过程都可以离线执行。“利用深度学习，我们可以开发出一个解决方案，然后将其应用于实际系统。”Zarrinkoub解释说，“相比之下，强化学习则需要从一开始就应用于实际系统。‘给我数据，我会不断更新大脑’。”

例如，国防工业的客户将利用强化学习工具箱评估其5G系统的安全性，并相应地更新其防御措施。“根据发现的漏洞，他们将设计出克服不友好代理访问系统的技术。”其他应用可能包括认知雷达，其中认知频谱管理(CSM)将使用强化学习实时分析频谱模式，并预测未来的频谱使用情况。

集成、仿真和测试

正如许多实例所示，工作流程的第三步关键在于创建独特的数据集，以评估无线系统的有效性。“如果你使用相同的数据集进行训练和测试，那就相当于作弊。”Zarrinkoub解释说，“必须选择一组在训练期间从未见过但仍然可行且具有代表性的数据集进行测试。”他补充道，“这样，我们才能确信，通过我们在数据收集和训练的第一步中所做的训练，系统可以应对各种不同的环境。”无线波形生成器应用程序旨在在这两个阶段提供支持。

部署和实施

MathWorks的部署方法在语言层面与工程师合作，在硬件方面则更多地采用与供应商无关的方式。“我们有很多产品可以将流行的语言转换为MATLAB代码，以训练和测试算法，然后再将其转换为硬件代码。例如，FPGA和ASIC的语言是Verilog或VHDL。我们有一款名为HDL Coder的工具，它可以将MATLAB和Simulink模型转换为低级VHDL代码，并输入到各种硬件中。”

使用数字孪生解决AI的弊端

最后，自然是要探讨使用AI改进无线系统的“陷阱”。“AI接受输入、训练模型并产生输出。在这个过程中，它将所有系统组件整合在一起。导致各个增益共同变化，从而使系统变得不透明，难以理解其工作原理。”Zarrinkoub说。尽管这一过程带来了显著的优势，但与传统的迭代调试方法相比，故障排除可能更具挑战性——在传统的迭代方法中，问题的隔离相对简单。

“MathWorks致力于为每个工程系统创建数字孪生，无论是汽车、飞机、航天器还是基站。”Zarrinkoub进一步阐述，“我们力求在传统工程系统方法和基于AI的解决方案之间找到平衡点。工程师可以将其设计与全面的数字孪生进行对比，迅速定位问题所在。这样，我们不仅能够利用AI的优化，还能保持基于模型的系统的可解释性。” 

Aalyia Shaukat是EDN的副主编，在工程出版领域有超过8年的丰富经验。她毕业于罗彻斯特理工学院，获得电气工程学士学位，并曾在主要电子工程期刊和行业出版物上发表过多篇文章。

（原文刊登于EE Times姊妹网站EDN，参考链接：Applying AI to RF design，由Franklin Zhao编译。）

本文为《电子工程专辑》2025年1月刊杂志文章，版权所有，禁止转载。免费杂志订阅申请点击这里。