論文の概要: Spectrum Sensing and Signal Identification with Deep Learning based on
Spectral Correlation Function
- arxiv url: http://arxiv.org/abs/2003.08359v4
- Date: Wed, 28 Apr 2021 16:45:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 21:04:10.068014
- Title: Spectrum Sensing and Signal Identification with Deep Learning based on
Spectral Correlation Function
- Title（参考訳）: スペクトル相関関数に基づく深層学習によるスペクトルセンシングと信号同定
- Authors: K\"ur\c{s}at Tekb{\i}y{\i}k, \"Ozkan Akbunar, Ali R{\i}za Ekti, Ali
G\"or\c{c}in, G\"une\c{s} Karabulut Kurt, Khalid A. Qaraqe
- Abstract要約: スペクトル相関関数を用いた畳み込みニューラルネットワーク(CNN)モデルを提案する。
提案手法は,事前情報のない無線信号を分類し,CASE1とCASE2という2つの異なる設定で実装する。
この実装はセルシグナルを超越したものの、提案手法はサイクロ定常特性を示す任意の信号の検出と分類にまで拡張することができる。
- 参考スコア（独自算出の注目度）: 2.6626788331762867
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Spectrum sensing is one of the means of utilizing the scarce source of
wireless spectrum efficiently. In this paper, a convolutional neural network
(CNN) model employing spectral correlation function which is an effective
characterization of cyclostationarity property, is proposed for wireless
spectrum sensing and signal identification. The proposed method classifies
wireless signals without a priori information and it is implemented in two
different settings entitled CASE1 and CASE2. In CASE1, signals are jointly
sensed and classified. In CASE2, sensing and classification are conducted in a
sequential manner. In contrary to the classical spectrum sensing techniques,
the proposed CNN method does not require a statistical decision process and
does not need to know the distinct features of signals beforehand.
Implementation of the method on the measured overthe-air real-world signals in
cellular bands indicates important performance gains when compared to the
signal classifying deep learning networks available in the literature and
against classical sensing methods. Even though the implementation herein is
over cellular signals, the proposed approach can be extended to the detection
and classification of any signal that exhibits cyclostationary features.
Finally, the measurement-based dataset which is utilized to validate the method
is shared for the purposes of reproduction of the results and further research
and development.
- Abstract（参考訳）: スペクトルセンシングは、無線スペクトルの希少源を効率的に利用する手段の1つである。
本稿では, サイクロ定常特性を効果的に評価するスペクトル相関関数を用いた畳み込みニューラルネットワーク(CNN)モデルを提案する。
提案手法は,事前情報のない無線信号を分類し,CASE1とCASE2という2つの異なる設定で実装する。
ケース1では、信号は共同で検知され、分類される。
ケース2では、センシングと分類が順次行われる。
従来のスペクトル検出手法とは対照的に,提案手法では統計的決定処理を必要とせず,信号の特徴を事前に知る必要もない。
セルバンドにおける実世界計測信号の実装は,文献で利用可能な深層学習ネットワークを分類する信号や古典的センシング手法と比較して,重要な性能向上を示す。
ここで実装は細胞信号上で行われるが、提案手法は周期的特徴を示す任意の信号の検出と分類に拡張することができる。
最後に,本手法の検証に利用した測定ベースデータセットを,結果の再現とさらなる研究・開発のために共有する。
関連論文リスト
- An Attack Traffic Identification Method Based on Temporal Spectrum [7.6939207062219]
本稿では,時間スペクトルに基づく攻撃トラフィックの検出と識別手法を提案する。
トラフィックデータは、スライディングウィンドウによってセグメント化され、ネットワークトラフィックのための特徴シーケンスと対応するラベルシーケンスを構成する。
SSPE法やCOAP法で訓練されたモデルは、識別精度を10%向上させ、特にノイズの多い環境で強い堅牢性を示す。
論文 参考訳（メタデータ） (2024-11-12T03:09:14Z) - BiLSTM and Attention-Based Modulation Classification of Realistic Wireless Signals [2.0650230600617534]
提案モデルでは,無線信号の複数の表現をネットワークへの入力として利用する。
BiLSTM層の後、重要な時間的特徴を強調するために注意層が使用される。
最近のリアルなRML22データセットの実験結果は、提案モデルの性能が99%の精度で向上したことを示している。
論文 参考訳（メタデータ） (2024-08-14T01:17:19Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T13:43:46Z) - Multi-task Learning for Radar Signal Characterisation [48.265859815346985]
本稿では,マルチタスク学習(MTL)問題として,レーダ信号の分類と特徴化に取り組むためのアプローチを提案する。
本稿では,複数のレグレッションタスクと分類タスクを同時最適化するIQST(IQ Signal Transformer)を提案する。
合成レーダデータセット上で提案したMTLモデルの性能を示すとともに,レーダ信号の特徴付けのための一級ベンチマークも提供する。
論文 参考訳（メタデータ） (2023-06-19T12:01:28Z) - Disentangled Representation Learning for RF Fingerprint Extraction under
Unknown Channel Statistics [77.13542705329328]
本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。
提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。
実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-08-04T15:46:48Z) - Edge Detection and Deep Learning Based SETI Signal Classification Method [0.0]
バークレーSETI研究センターの科学者が地球外知的生命体(SETI)を探索中
無線信号をフーリエ変換によりスペクトルに変換し、2次元時間周波数スペクトルで表される信号を分類する。
本稿では,背景雑音がスペクトル分類の精度に与える影響を考察し,新しい手法を提案する。
論文 参考訳（メタデータ） (2022-03-29T04:31:48Z) - Frequency Spectrum Augmentation Consistency for Domain Adaptive Object
Detection [107.52026281057343]
周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。
最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。
第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
論文 参考訳（メタデータ） (2021-12-16T04:07:01Z) - Design of an Novel Spectrum Sensing Scheme Based on Long Short-Term
Memory and Experimental Validation [0.7349727826230862]
深層学習ネットワーク(DLN)の重要な要素である長期記憶(LSTM)に基づくスペクトルセンシング手法を提案する。
提案手法は, Adalm Pluto を用いた実証実験により検証した。
論文 参考訳（メタデータ） (2021-11-21T08:51:48Z) - Signal Processing and Machine Learning Techniques for Terahertz Sensing:
An Overview [89.09270073549182]
テラヘルツ(THz)信号生成と放射法は、無線システムの未来を形作っている。
THz 固有の信号処理技術は、THz 帯域の効率的な利用のために、この THz センシングへの関心を補う必要がある。
本稿では,信号前処理に着目した手法の概要を示す。
また,THz帯で有望な知覚能力を探索し,深層学習の有効性についても検討した。
論文 参考訳（メタデータ） (2021-04-09T01:38:34Z) - Discriminative Singular Spectrum Classifier with Applications on
Bioacoustic Signal Recognition [67.4171845020675]
分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。
タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。
提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
論文 参考訳（メタデータ） (2021-03-18T11:01:21Z) - Interference Classification Using Deep Neural Networks [14.962398031252059]
本稿では,ディープニューラルネットワークを用いた干渉分類手法を提案する。
我々は、5種類の干渉信号を生成し、入力信号のパワースペクトル密度(PSD)と循環スペクトルの両方をネットワークへの入力特徴として利用する。
論文 参考訳（メタデータ） (2020-02-03T02:12:39Z)
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。