論文の概要: Accumulated Polar Feature-based Deep Learning for Efficient and Lightweight Automatic Modulation Classification with Channel Compensation Mechanism

• arxiv url: http://arxiv.org/abs/2001.01395v2
• Date: Fri, 7 Feb 2020 16:19:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-14 02:53:38.834346
• Title: Accumulated Polar Feature-based Deep Learning for Efficient and Lightweight Automatic Modulation Classification with Channel Compensation Mechanism
• Title（参考訳）: チャネル補償機構を用いた高効率軽量自動変調分類のための累積極性特徴量に基づくディープラーニング
• Authors: Chieh-Fang Teng, Ching-Yao Chou, Chun-Hsiang Chen, and An-Yeu Wu
• Abstract要約: 次世代通信では、大規模な機械型通信(mMTC)が基地局に深刻な負担をもたらす。 ディープラーニング(DL)技術は、ネットワークにインテリジェンスを格納し、従来のアプローチよりも優れたパフォーマンスをもたらす。 本研究では, チャネル補償機構を付加した極性特徴量型DLを提案し, 上記の問題に対処する。
• 参考スコア（独自算出の注目度）: 6.915743897443897
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In next-generation communications, massive machine-type communications (mMTC) induce severe burden on base stations. To address such an issue, automatic modulation classification (AMC) can help to reduce signaling overhead by blindly recognizing the modulation types without handshaking. Thus, it plays an important role in future intelligent modems. The emerging deep learning (DL) technique stores intelligence in the network, resulting in superior performance over traditional approaches. However, conventional DL-based approaches suffer from heavy training overhead, memory overhead, and computational complexity, which severely hinder practical applications for resource-limited scenarios, such as Vehicle-to-Everything (V2X) applications. Furthermore, the overhead of online retraining under time-varying fading channels has not been studied in the prior arts. In this work, an accumulated polar feature-based DL with a channel compensation mechanism is proposed to cope with the aforementioned issues. Firstly, the simulation results show that learning features from the polar domain with historical data information can approach near-optimal performance while reducing training overhead by 99.8 times. Secondly, the proposed neural network-based channel estimator (NN-CE) can learn the channel response and compensate for the distorted channel with 13% improvement. Moreover, in applying this lightweight NN-CE in a time-varying fading channel, two efficient mechanisms of online retraining are proposed, which can reduce transmission overhead and retraining overhead by 90% and 76%, respectively. Finally, the performance of the proposed approach is evaluated and compared with prior arts on a public dataset to demonstrate its great efficiency and lightness.
• Abstract（参考訳）: 次世代通信では、大規模な機械型通信(mMTC)が基地局に深刻な負担をもたらす。 このような問題に対処するために、自動変調分類(AMC)は、ハンドシェイキングなしで変調タイプを盲目的に認識することで、信号のオーバーヘッドを低減するのに役立つ。 したがって、将来のインテリジェントモデムにおいて重要な役割を果たす。 新たなディープラーニング(DL)技術は、ネットワークにインテリジェンスを格納し、従来のアプローチよりも優れたパフォーマンスをもたらす。 しかし、従来のDLベースのアプローチは、トレーニングのオーバーヘッド、メモリオーバーヘッド、計算の複雑さに悩まされており、V2Xアプリケーションのようなリソース制限シナリオの実践的応用を著しく妨げている。 また,時間的変動を考慮したオンラインリトレーニングのオーバーヘッドは,先行技術では研究されていない。 本研究では, チャネル補償機構を付加した極性特徴量型DLを提案し, 上記の問題に対処する。 シミュレーションの結果から, 極域からの学習特徴と過去のデータ情報とが, 学習のオーバーヘッドを99.8倍に抑えながら, ほぼ最適性能にアプローチできることが示唆された。 次に,提案するニューラルネットワークに基づくチャネル推定器(nn-ce)は,チャネル応答を学習し,変形したチャネルを13%改善して補償することができる。 さらに、この軽量NN-CEを時変フェードチャネルに適用する場合、伝送オーバーヘッドと再トレーニングオーバーヘッドを90%と76%削減できるオンラインリトレーニングの2つの効率的なメカニズムが提案されている。 最後に,提案手法の性能を評価し,公開データセット上の先行技術と比較し,その優れた効率と軽量性を示す。

関連論文リスト

• Liquid Neural Network-based Adaptive Learning vs. Incremental Learning for Link Load Prediction amid Concept Drift due to Network Failures [37.66676003679306]
  概念の漂流に適応することは、機械学習において難しい課題である。 通信ネットワークでは、障害イベントの後に交通予報を行う際にこのような問題が生じる。 本稿では,適応学習アルゴリズム,すなわち,データパターンの急激な変化を,再学習を必要とせずに自己適応できる手法を提案する。
  論文  参考訳（メタデータ） (2024-04-08T08:47:46Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
  大規模空間問題に対する学習効率を向上させるために移動学習を用いる。 畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
  論文  参考訳（メタデータ） (2023-06-14T01:24:42Z)
• Efficient Deep Unfolding for SISO-OFDM Channel Estimation [0.0]
  スパースリカバリ技術を用いてSISO-OFDMチャネル推定を行うことができる。 本稿では,この制約を緩和するために,展開ニューラルネットワークを用いる。 教師なしのオンライン学習は、推定性能を高めるためにシステムの欠陥を学習することができる。
  論文  参考訳（メタデータ） (2022-10-11T11:29:54Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• CATRO: Channel Pruning via Class-Aware Trace Ratio Optimization [61.71504948770445]
  本稿では,CATRO (Class-Aware Trace Ratio Optimization) を用いた新しいチャネルプルーニング手法を提案する。 CATROは、他の最先端チャネルプルーニングアルゴリズムと同等の精度で、同様のコストまたは低コストで高い精度を達成できることを示す。 CATROは、クラス認識の特性のため、様々な分類サブタスクに適応的に効率の良いネットワークを創り出すのに適している。
  論文  参考訳（メタデータ） (2021-10-21T06:26:31Z)
• Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
  大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。 一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。 本稿では2つの新しい推定法を提案する。
  論文  参考訳（メタデータ） (2021-09-06T13:42:32Z)
• Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
  そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。 推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。 提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
  論文  参考訳（メタデータ） (2021-07-27T06:57:56Z)
• Boosting the Convergence of Reinforcement Learning-based Auto-pruning Using Historical Data [35.36703623383735]
  強化学習(Reinforcement Learning, RL)に基づくオートプルーニング(auto-pruning, 自動プルーニング)は, 手作りの高価な作業を避けるために, プルーニングプロセスを自動化するために提案されている。 しかし、RLをベースとしたプルーナーでは、時間を要するトレーニングプロセスが伴い、各サンプルの高コストがこの問題をさらに悪化させる。 本稿では,従来のオートプルーニングプロセスの履歴データを活用することで,この問題を解消する効率的なオートプルーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T07:17:26Z)
• Residual-Aided End-to-End Learning of Communication System without Known Channel [12.66262880667583]
  実チャネルを模倣するために,gan(generative adversarial network)ベースのトレーニングスキームが最近提案されている。 本論文では、残存補助GAN(RA-GAN)ベースのトレーニングスキームを提案する。 提案したRA-GANベースのトレーニングスキームは,近距離最適ブロック誤り率(BLER)を実現することができることを示す。
  論文  参考訳（メタデータ） (2021-02-22T05:47:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。