論文の概要: SigNet: A Novel Deep Learning Framework for Radio Signal Classification
- arxiv url: http://arxiv.org/abs/2011.03525v2
- Date: Mon, 18 Oct 2021 07:02:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 06:33:30.293930
- Title: SigNet: A Novel Deep Learning Framework for Radio Signal Classification
- Title（参考訳）: SigNet: 無線信号分類のための新しいディープラーニングフレームワーク
- Authors: Zhuangzhi Chen, Hui Cui, Jingyang Xiang, Kunfeng Qiu, Liang Huang,
Shilian Zheng, Shichuan Chen, Qi Xuan and Xiaoniu Yang
- Abstract要約: 本稿では,SigNetと呼ばれる新しいディープラーニングフレームワークを提案する。まず,S2M演算子を用いて元の信号を2乗行列に変換する。
SigNet/SigNet2.0はラベル付き信号データを取得するのが難しい状況では極めて有用である。
- 参考スコア（独自算出の注目度）: 6.92637499464351
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning methods achieve great success in many areas due to their
powerful feature extraction capabilities and end-to-end training mechanism, and
recently they are also introduced for radio signal modulation classification.
In this paper, we propose a novel deep learning framework called SigNet, where
a signal-to-matrix (S2M) operator is adopted to convert the original signal
into a square matrix first and is co-trained with a follow-up CNN architecture
for classification. This model is further accelerated by integrating 1D
convolution operators, leading to the upgraded model SigNet2.0. The simulations
on two signal datasets show that both SigNet and SigNet2.0 outperform a number
of well-known baselines. More interestingly, our proposed models behave
extremely well in small-sample learning when only a small training dataset is
provided. They can achieve a relatively high accuracy even when 1\% training
data are kept, while other baseline models may lose their effectiveness much
more quickly as the datasets get smaller. Such result suggests that
SigNet/SigNet2.0 could be extremely useful in the situations where labeled
signal data are difficult to obtain. The visualization of the output features
of our models demonstrates that our model can well divide different modulation
types of signals in the feature hyper-space.
- Abstract（参考訳）: 深層学習は特徴抽出能力とエンドツーエンドの学習機構によって多くの分野で大きな成功を収めており、近年では無線信号変調分類にも導入されている。
本稿では,signetと呼ばれる新しい深層学習フレームワークを提案する。s2m(signal-to-matrix)オペレータを用いて,まず最初の信号を正方形行列に変換する。
このモデルは1D畳み込み演算子を統合することでさらに加速され、SigNet2.0がアップグレードされた。
2つの信号データセットのシミュレーションは、signetとsignet2.0が多くのよく知られたベースラインを上回っていることを示している。
より興味深いことに、提案するモデルは、小さなトレーニングデータセットのみを提供する場合、小さなサンプル学習で非常によく振る舞う。
1\%のトレーニングデータが保持されている場合でも、比較的高い精度を達成できるが、データセットが小さくなれば、他のベースラインモデルの方がずっと早く効果を失う可能性がある。
このような結果から,ラベル付き信号データを得るのが困難な状況において,SigNet/SigNet2.0は極めて有用であることが示唆された。
モデルの出力特性の可視化により,我々のモデルが特徴超空間内で異なる変調種類の信号を分割できることが示される。
関連論文リスト
- SIGMA:Sinkhorn-Guided Masked Video Modeling [69.31715194419091]
SIGMA (Sinkhorn-guided Masked Video Modelling) は、新しいビデオ事前学習法である。
時空管の特徴を,限られた数の学習可能なクラスタに均等に分散する。
10個のデータセットによる実験結果から,より高性能で時間的,堅牢な映像表現を学習する上で,SIGMAの有効性が検証された。
論文 参考訳（メタデータ） (2024-07-22T08:04:09Z) - Foundational GPT Model for MEG [3.524869467682149]
本研究では,脳信号の予測を用いて学習可能な2種類のディープラーニング基礎モデルを提案する。
まず、改良されたWavenetを検討し、次に、改良されたTransformer-based (GPT2)モデルを検討する。
我々は,これらのディープラーニングモデルの性能を,MEGデータに基づく標準的な線形自己回帰(AR)モデルと比較する。
論文 参考訳（メタデータ） (2024-04-14T13:48:24Z) - LiteNeXt: A Novel Lightweight ConvMixer-based Model with Self-embedding Representation Parallel for Medical Image Segmentation [2.0901574458380403]
医用画像分割のための軽量だが効率的な新しいモデル LiteNeXt を提案する。
LiteNeXtは、少量のパラメータ (0.71M) とギガ浮動小数点演算 (0.42) でスクラッチから訓練されている。
論文 参考訳（メタデータ） (2024-04-04T01:59:19Z) - Convolutional Neural Networks for the classification of glitches in
gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。
どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。
また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文 参考訳（メタデータ） (2023-03-24T11:12:37Z) - Neural Attentive Circuits [93.95502541529115]
我々は、NAC(Neural Attentive Circuits)と呼ばれる汎用的でモジュラーなニューラルアーキテクチャを導入する。
NACは、ドメイン知識を使わずに、ニューラルネットワークモジュールのパラメータ化と疎結合を学習する。
NACは推論時に8倍のスピードアップを達成するが、性能は3%以下である。
論文 参考訳（メタデータ） (2022-10-14T18:00:07Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳（メタデータ） (2022-06-29T23:22:18Z) - Multi-task Learning Approach for Modulation and Wireless Signal
Classification for 5G and Beyond: Edge Deployment via Model Compression [1.218340575383456]
将来的な通信網は、異種無線デバイスの成長に対応するために、少ないスペクトルに対処する必要がある。
我々は、深層ニューラルネットワークに基づくマルチタスク学習フレームワークの可能性を利用して、変調と信号分類タスクを同時に学習する。
公共利用のための包括的ヘテロジニアス無線信号データセットを提供する。
論文 参考訳（メタデータ） (2022-02-26T14:51:02Z) - Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。
提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。
2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
論文 参考訳（メタデータ） (2020-12-23T09:33:11Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳（メタデータ） (2020-02-14T06:58:27Z)
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。