Software Defined Radio (SDR)

Die Anzahl der verwendeten Standards in drahtlosen Übetragungssystemen nimmt stetig zu (z.B. GSM, UMTS, RFID, WLAN, Bluetooth, WiMax). Eine Unterstützung aller Standards durch dedizierte Hardware in mobilen Terminals wird daher immer aufwändiger. Um die Flexibilität des Terminals zu erhöhen, wird die Basisbandsignalverarbeitung in Software realisiert, was eine schnelle Rekonfiguration des Terminals entsprechend des benötigten Standards ermöglicht.

Im Rahmen des Projektes wird ein auf einem DSP (Digitaler Signal Prozessor) basierter Transceiver für den Rundfunkstandard DRM (Digital Radio Mondiale) entwickelt, welcher aufgrund des modularen Aufbaus leicht modifiziert werden kann, um bspw. neue Algorithmen zu verifizieren. Parallel dazu werden geeignete Algorithmen entwickelt, die sich durch adaptive Eigenschaften bezüglich der mathematischen Komplexität und der Performance auszeichnen. Hierdurch wird es möglich, die Komplexität der Signalverarbeitungsalgorithmen (z.B. der Kanaldecodierung) an die Übertragungsbedingungen anzupassen. Somit kann die Energieeffizienz der mobilen Terminals erhöht werden, was zu kleineren Bauformen bzw. längeren Einsatzzeiten führt.

Zusätzlich soll im Rahmen eines weiteren Projektes die Implementierung eines RFID-Systems mit Hilfe des SDR durchgeführt werden. Die Realisierung der Kommunikation mit handelsüblichen Tags wird dabei mit Hilfe eines USRP (Universal Software Radio Peripheral) gewährleistet. Diese Hardware stellt die Verbindung zwischen der Sende- und/oder Empfangsantenne und einem gewöhnlichen PC dar, welcher dann die eigentliche Signalverarbeitung realisiert. Hierdurch kann der flexible und leicht anpassbare Software-RFID-Reader für weitere Forschungen genutzt werden.

Signalverarbeitung für Energieübertragungssysteme

In modernen Energieübertragungssystemen ist die Überwachung derselben eine zentrale Aufgabe geworden. Diese Überwachung muss heute wesentlich genauer und vielschichtiger sein und überdies in Echtzeit zur Verfügung stehen. Nur so werden automatische Systemanpassungen möglich sein, die auf die sich schnell ändernde Umgebung reagieren können. Diese Umgebung ist z.B. geprägt durch die Wetterabhängigkeit regenerativer Energiequellen, die Auswirkungen des Handels an der Strombörse oder einfach der Betrieb des Systems an der oberen Leistungsgrenze.

Die Überwachung geschieht durch das Beobachten und Verfolgen von bestimmten Systemparametern wie Fundamentalfrequenz, Phasenversatz und Spektrum an verschiedenen Schlüsselorten und der Interpretation derselben. Es geht dabei nicht nur um die Erfassung der primären Systemeigenschaften wie Fundamentalfrequenz und -amplitude, sondern auch um das Erkennen, Klassifizieren und Lokalisieren von Störungen. Von zentraler Bedeutung sind dabei Algorithmen, die sich mit der Parameterschätzung (z.B. Signalsubraumschätzung), dem Tracking (z.B. Datenbank) und dem Klassifizieren (z.B. Kontrollkarten) beschäftigen, sowie deren Interaktion. Außerdem bleibt der ökonomische Anspruch, eine günstige Umsetzung und Integration in bestehende Systeme zu ermöglichen.

Lokalisierung durch Radio Frequency Identification (RFID)

Hinter dem Begriff "Radio Frequency Identification" (RFID) verbirgt sich die automatische Identifikation von Objekten durch Radiowellen. Hierzu sendet ein sogenannter Reader die Wellen aus, welche von einem sogenannten Tag oder Label empfangen werden. Dieses verändert die Wellen so, dass der Reader beim Empfang eine einzigartige Identifikationsnummer auslesen kann.

Mit Hilfe dieses sogenannten Backscatter-Mechanismus ist neben der Identifikation auch eine gleichzeitige Lokalisierung des Labels möglich. Dazu müssen verschiedene Informationen entnommen und geeignet miteinander kombiniert werden. Ein solcher Parameter ist der Received Signal Strength Indicator (RSSI), welcher angibt mit welcher Intensität die zurückgesandte Welle vom Reader empfangen wurde. Über diese und ähnliche Werte ist es möglich den Abstand zwischen Reader und Label zu bestimmen und den Weg eines Labels nachzuvollziehen.

Algorithmen für die parallele Basisbandsignalverarbeitung

Der steigende Bedarf an Übertragungsdatenrate in mobilen Kommunikationssystemen stellt hohe Anforderungen an die Rechenleistung der mobilen Terminals. Um den erforderlichen Datendurchsatz zu erzielen, ist man bestrebt, die Basisbandsignalverarbeitung auf parallelen Architekturen zu implementieren. Dazu gehören sowohl klassische Hardwarearchitekturen (ASIC, FPGA) als auch Multi- Prozessor-Systeme. Darüber hinaus ermöglicht die parallele Signalverarbeitung energie-effiziente Implementierungen, da hohe Taktraten vermieden werden können.

Um die erwähnten Vorteile nutzen zu können, ist eine Beschreibung der Signalverarbeitungsaufgaben durch Algorithmen mit parallelen Strukturen erforderlich. Im Rahmen dieses und vorangegangener Projekte werden daher parallele Beschreibungen für gängige Basisbandoperationen in OFDM und CDMA-Systemen (z.B. Detektion, Kanaldecodierung, FFT) entwickelt. Hierbei wird insbesondere die Möglichkeit der überlappenden Blocksignalverarbeitung für verschiedene Anwendungen untersucht.

Network-on-Chip Optimierungen für Aufgaben mit dünnbesetzten Matrizen

Schwach besetzte Matrizen finden in vielen wissenschaftlichen und technischen Gebieten ihre Anwendung. Zur Lösung der entsprechenden Probleme, z.B. Lösung schwach besetzter linearer Gleichungssysteme oder Eigenwertprobleme schwach besetzter Matrizen) werden iterative Methoden (Jacobi Methode, Konjugierte Gradienten Methode, Lanczos Methode) verwendet.

Da diese iterativen Lösungsmethoden auf der Matrix Vektor Multiplikation mit schwach besetzten Matrizen (SMVM) beruhen, wurden verschiedene Wege vorgestellt um die SMVM sowohl auf allgemeinen Prozessorarchitekturen als auch auf parallelen Hardwarearchitekturen zu beschleunigen. Allerdings hängen alle diese Ansätze sehr stark von der Struktur der Besetzung der schwach besetzten Matrix ab. In diesem Projekt soll untersucht werden, wie durch die Verwendung von Netzwerken-auf-dem-Chip (NoC) auch mit allgemeinen Besetzungsstrukturen der schwach besetzten Matrizen umgegangen werden kann.

NoC Architekturen wurden vorgeschlagen, um die traditionellen Bus basierten Verbindungen auf einem Chip durch paketvermittelte Verbindungsstrukturen zu ersetzen, so dass die Datenpakete (Vektorelemente, Matrixelmente) frei auf der parallelen Hardware Architektur verteilt werden können. Hier gibt es eine Vielzahl von Netzwerktopologien und Verteilungsstrategien, um diesen Transport zu realisieren. In diesem Projekt sollen NoC Architekturen verwendet werden, um die im höchsten Maße unregelmäßigen Kommunikationsstrukturen der parallelen SMVM zu realisieren. Das zu entwickelnde SMVM-NoC soll den chip-internen paket-basierten Datenverkehr realisieren, der bei der Ausführung einer SMVM auf parallelen Architekuturen erfoderlich ist. Das vorgestellte Konzept soll mit FPGA Prototypen und als ASIC mit der TMSC 45nm Bibliothek realisiert werden.

Konvexe Optimierung für Kommunikationsanwendungen

In den letzten Jahren wurde die konvexe Optimierung weiträumig verwendet als mächtiges Optimierungswerkzeug zur Lösung von vielen Ingenieursproblemen. Konvexe Optimierung ist die Minimierung einer konvexen objektiven (Kosten-) Funktion unter konvexen Bedingungen. Die Bedeutung der konvexen Technologie ist, dass jedes lokale Optimum ein globales Optimum ist. Daher sind konvexe Techniken eine gute Wahl zum Lösen von Problemen aus der Ingenieurwissenschaft. Viele Probleme der Drahtloskommunikation sind konvexe Probleme oder können in solche gewandelt werden (Relaxationstechnik).

Hier am Arbeitsgebiet verbinden wir die Idee der Verwendung der Struktur einer Mobilfunksystemmatrix (Toeplitz, Block-Toeplitz, zirkulär, ...) mit der konvexen Relaxation des Detektionsproblems um den Rechenaufwand der konvexen Optimierung zu vermindern. So hat z.B. der generalisierte Detektor auf Basis des minimalen durchschnittlichen quadratischen Fehlers (GMMSE) fast die gleiche Performance wie der nicht generalisierte MMSE-Detektor, benötigt aber kein Wissen über die Rauschleistung.

Unser Forschungsziel ist es, einen Detektor zu entwickeln, der besser performt als MMSE und dabei weniger Rechenaufwand benötigt. Das hoffen wir mit konvexer Optimierung zu erreichen.