När semesterfirare köper en andel i en andel vid stranden, de bestämmer i förväg vem som ska använda fastigheten när. National Institute of Standards and Technology (NIST) hjälper Federal Communications Commission (FCC) att upprätta en liknande plan för när kommersiella trådlösa leverantörer och US Navy försöker dela en önskvärd 150 megahertz (MHz) -bred del av radiofrekvensen (RF) spektrum för kommunikation.

I ett nytt papper, NIST -forskare visar att algoritmer för djupinlärning - en form av artificiell intelligens - är betydligt bättre än vanligt förekommande, mindre sofistikerad metod för att upptäcka när offshore -radarer är i drift. Förbättrad radardetektering skulle göra det möjligt för kommersiella användare att veta när de måste ge det så kallade 3,5 Gigahertz (3,5 GHz) bandet.

År 2015, FCC antog regler för Citizens Broadband Radio Service (CBRS) för att tillåta kommersiella LTE (långsiktig utveckling) leverantörer av trådlös utrustning och tjänsteleverantörer att använda 3,5 GHz-bandet när det inte behövs för radaroperationer.

Företag som AT&T, Google, Nokia, Qualcomm, Sony och Verizon har varit ivriga att få tillgång till detta band (mellan 3550 och 3700 MHz) eftersom det kommer att expandera produktmarknaderna och ge slutanvändare bättre täckning och högre datahastighetshastigheter i en mängd olika miljöer där tjänsten traditionellt är svag.

NIST hjälpte till att utveckla 10 standardspecifikationer som gör det möjligt för tjänsteleverantörer och andra potentiella användare att arbeta i 3,5 GHz -bandet enligt FCC -föreskrifter samtidigt som de försäkrar marinen att bandet framgångsrikt kan delas utan RF -störningar. Dessa standardspecifikationer, inklusive algoritmen för att skydda militära sittande användare, godkändes i februari 2018 av Wireless Innovation Forum Spectrum Sharing Committee (WINNF SSC), det offentlig-privata standardiseringsorganet för CBRS. Dock, det finns för närvarande inga officiella standarder för att avgöra när militären använder bandet. Den nya studien, rapporterade i tidskriften IEEE Transactions on Cognitive Communications and Networking, representerar den senaste NIST -forskningsinsatsen för att uppnå det målet.

I nuvarande praxis, radarsignaler från fartyg till sjöss identifieras med hjälp av automatiska detektorer som letar efter energistegningar i det elektromagnetiska spektrumet. "Dock, "sa Michael Souryal, leda för NIST -spektrumdelningsstödprojektet, "dessa energidetektorer diskriminerar inte tillräckligt för att konsekvent få rätt, ibland förvirrar andra RF -signaler som radar eller saknar radarsignaturerna helt och hållet. "

Souryal och hans kollegor vände sig till artificiell intelligens (AI) för en potentiell lösning. Åtta djupinlärningsalgoritmer-mjukvarusystem som lär sig av befintlig data-utbildades för att känna igen offshore radarsignaler från en samling på nästan 15, 000 60 sekunder långa spektrogram (visuella representationer av radarsignalerna över tid). Dessa spektrogram spelades in 2016 nära marinbaser i San Diego, Kalifornien, och Virginia Beach, Virginia, för National Advanced Spectrum and Communications Test Network (NASCTN).

Efter träning, djupläringsalgoritmerna lades mot energidetektorer för att se vilka som fungerade bäst för att identifiera och klassificera en uppsättning spektrogram som skiljer sig från de som används för att utbilda AI -detektorerna.

"Vi fann att tre av deep learning -algoritmerna avsevärt överträffade energidetektorerna, "Sa Souryal.

Den bästa djupinlärningsalgoritmen och spektrogramsamlingen användes för att utveckla 3,5 GHz band "beläggningsstatistik, "datamängder som beskriver när bandet är tillgängligt och hur länge.

Nu när NIST -forskarna har validerat användningen av deep learning -algoritmerna, de planerar att fortsätta förfina AI-detektorerna genom att träna dem med högre upplösning, mer detaljerad radardata, som de anser bör leda till ännu bättre prestanda.