Wanneer vakantiegangers een aandeel kopen in een timeshare aan het strand, zij bepalen vooraf wie wanneer gebruik mag maken van het pand. Het National Institute of Standards and Technology (NIST) helpt de Federal Communications Commission (FCC) een soortgelijk plan op te stellen voor wanneer commerciële draadloze providers en de Amerikaanse marine proberen een wenselijk 150-megahertz (MHz)-breed deel van de radiofrequentie te delen (RF) spectrum voor communicatie.

In een nieuwe krant NIST-onderzoekers tonen aan dat deep learning-algoritmen - een vorm van kunstmatige intelligentie - aanzienlijk beter zijn dan een veelgebruikt, minder geavanceerde methode om te detecteren wanneer offshore-radars actief zijn. Verbeterde radardetectie zou commerciële gebruikers in staat stellen te weten wanneer ze de zogenaamde 3,5 Gigahertz (3,5 GHz) Band moeten leveren.

in 2015, de FCC heeft regels aangenomen voor de Citizens Broadband Radio Service (CBRS) om commerciële LTE (lange termijn evolutie) leveranciers van draadloze apparatuur en serviceproviders toe te staan ​​de 3,5 GHz-band te gebruiken wanneer deze niet nodig is voor radaroperaties.

Bedrijven zoals AT&T, Google, Nokia, Qualcomm, Sony en Verizon wilden graag toegang tot deze band (tussen 3550 en 3700 MHz) omdat het productmarkten zal uitbreiden en eindgebruikers een betere dekking en hogere datasnelheidssnelheden zal bieden in een verscheidenheid aan omgevingen waar de service traditioneel zwak is.

NIST hielp bij het ontwikkelen van 10 standaardspecificaties die serviceproviders en andere potentiële gebruikers in staat stellen te werken in de 3,5 GHz-band onder FCC-regelgeving, terwijl de marine verzekerd is dat de band met succes kan worden gedeeld zonder RF-interferentie. Deze standaardspecificaties, inclusief het algoritme voor het beschermen van gevestigde militaire gebruikers, werden in februari 2018 goedgekeurd door het Wireless Innovation Forum Spectrum Sharing Committee (WINNF SSC), de publiek-private normalisatie-instelling voor de CBRS. Echter, er zijn momenteel geen officiële normen om te bepalen wanneer het leger de band gebruikt. De nieuwe studie, gerapporteerd in het tijdschrift IEEE Transactions on Cognitive Communications and Networking, vertegenwoordigt de nieuwste onderzoeksinspanning van NIST om dat doel te bereiken.

In de huidige praktijk is radarsignalen van schepen op zee worden geïdentificeerd met behulp van geautomatiseerde detectoren die op zoek gaan naar energiestijgingen in het elektromagnetische spectrum. "Echter, " zei Michael Souryal, leidend voor het NIST-ondersteuningsproject voor het delen van spectrum, "deze energiedetectoren zijn niet onderscheidend genoeg om het consequent goed te doen, soms verwarrend andere RF-signalen als radar of het ontbreken van de radarsignaturen helemaal."

Souryal en zijn collega's wendden zich tot kunstmatige intelligentie (AI) voor een mogelijke oplossing. Acht deep learning-algoritmen - softwaresystemen die leren van reeds bestaande gegevens - werden getraind om offshore-radarsignalen te herkennen uit een verzameling van bijna 15, 000 60 seconden lange spectrogrammen (visuele representaties van de radarsignalen in de tijd). Deze spectrogrammen zijn opgenomen in 2016 nabij marinebases in San Diego, Californië, en Virginia Beach, Virginia, voor het National Advanced Spectrum and Communications Test Network (NACTN).

Na het trainen, de deep learning-algoritmen werden vergeleken met energiedetectoren om te zien welke het beste presteerden bij het identificeren en classificeren van een reeks spectrogrammen die verschillen van de spectrogrammen die werden gebruikt om de AI-detectoren op te leiden.

"We ontdekten dat drie van de deep learning-algoritmen aanzienlijk beter presteerden dan de energiedetectoren, ' zei Sourial.

Het beste deep learning-algoritme en de verzameling spectrogrammen werden gebruikt om de bezettingsstatistieken van de 3,5 GHz-band te ontwikkelen, " datasets die beschrijven wanneer de band beschikbaar is en voor hoe lang.

Nu de NIST-onderzoekers het gebruik van de deep learning-algoritmen hebben gevalideerd, ze zijn van plan door te gaan met het verfijnen van de AI-detectoren door ze te trainen met een hogere resolutie, meer gedetailleerde radargegevens, die volgens hen tot nog betere prestaties moeten leiden.