Связь с обратным рассеянием (BackCom) — это перспективный маломощный метод для широкого внедрения технологий Интернета вещей (IoT), где подключенные устройства отражают и модулируют существующие сигналы, изменяя сопротивление своей нагрузки, а не генерируют сигналы самостоятельно.
Для достижения низких показателей битовых ошибок и высоких скоростей передачи данных выбираются схемы модуляции более высокого порядка, такие как квадратурная амплитудная модуляция (QAM), основанные на точно смоделированных коэффициентах отражения. Однако расхождения между симуляциями и реальными измерениями затрудняют точное предсказание оптимального коэффициента отражения.
В недавнем исследовании исследовательская группа под руководством профессора Сангкила Кима с кафедры электронной инженерии Пусанского национального университета использовала трансферное обучение для точного моделирования синфазных/квадратурных или I/Q модуляторов нагрузки. Кроме того, они ввели поляризационное разнесение для проектирования системы BackCom, которая использует несколько антенн для одновременной передачи и приема сигнала.
Их статья опубликована в журнале IEEE Internet of Things Journal.
«Поскольку технология более эффективной и надежной связи с обратным рассеянием совершенствуется, она снижает барьер для внедрения IoT во многих отраслях. Это может привести к распространению устройств IoT и интегрированных датчиков и коммуникаций (ISC), что будет способствовать созданию умных городов , повышению эффективности отраслей и улучшению личных и государственных услуг», — говорит профессор Ким.
Передача обучения подразумевает применение знаний, полученных в ходе выполнения одной задачи, для повышения производительности в смежной задаче. Исследователи предварительно обучили искусственную нейронную сеть (ИНС) с использованием имитированных входных напряжений смещения (V I и V Q ). Этот начальный этап обучения ознакомил ИНС с поведением модулятора нагрузки в различных условиях напряжения.
Знания, полученные на этапе предварительного обучения, затем использовались на основном этапе обучения, где искусственная нейронная сеть обучалась с использованием экспериментальных данных для прогнозирования коэффициентов отражения на основе входных данных V I и V Q.
Эта передача знаний позволила ИНС улучшить свои прогнозы, достигнув минимального отклонения всего в 0,81% между смоделированными и измеренными коэффициентами отражения. Используя эти точные модели, исследователи выбрали оптимальные схемы 4- и 16-QAM, совместив предсказанные коэффициенты отражения с определенными точками в созвездии QAM. Эта оптимизация обеспечила энергоэффективную передачу данных с общим потреблением менее 0,6 мВт, что намного ниже, чем у обычных беспроводных систем.
После этого исследователи разработали систему приемопередатчика MIMO 2 × 2 × 2 для BackCom, включающую две передающие и две приемные антенны с разной поляризацией (например, вертикальной и горизонтальной). Такая установка улучшает прием сигнала, пропускную способность и эффективность в BackCom. Используя антенну Vivaldi с двойной поляризацией, команда достигла высокого коэффициента усиления, превышающего 11,5 дБи, и эффективного подавления кросс-поляризации 18 дБ.
Исследователи протестировали свой алгоритм и систему MIMO BackCom в диапазоне C от 5,725 ГГц до 5,875 ГГц промышленного, научного и медицинского диапазона, предлагая полосу пропускания 150 МГц. Их подход достиг спектральной эффективности 2,0 бит/с/Гц с использованием модуляции 4-QAM, продемонстрировав эффективное использование полосы пропускания. Они также достигли величины вектора ошибок 9,35%, что указывает на высокую надежность и эффективность передачи данных.
«Сочетание точного моделирования схем, передовых методов модуляции и поляризационного разнесения, проверенных в беспроводных средах, представляет собой комплексный подход к решению проблем в области ISC и IoT», — говорит профессор Ким.
В целом предлагаемая система закладывает основу для высоконадежной и эффективной системы обратного рассеяния для различных приложений, включая бытовую электронику , мониторинг здравоохранения, интеллектуальную инфраструктуру для городского управления, зондирование окружающей среды и даже радиолокационную связь.
