論文の概要: Real-Time Radio Technology and Modulation Classification via an LSTM Auto-Encoder

• arxiv url: http://arxiv.org/abs/2011.08295v1
• Date: Mon, 16 Nov 2020 21:41:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-25 01:17:32.104253
• Title: Real-Time Radio Technology and Modulation Classification via an LSTM Auto-Encoder
• Title（参考訳）: lstmオートエンコーダによるリアルタイム無線技術と変調分類
• Authors: Ziqi Ke and Haris Vikalo
• Abstract要約: 雑音の多い無線信号から安定かつロバストな特徴を自動的に抽出するLSTMデノケーションオートエンコーダに基づく学習フレームワークを提案する。 現実的な合成と無線データのオーバー・ザ・エアにより,提案手法が受信した無線信号を確実に効率的に分類できることが実証された。
• 参考スコア（独自算出の注目度）: 29.590446724625693
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Identification of the type of communication technology and/or modulation scheme based on detected radio signal are challenging problems encountered in a variety of applications including spectrum allocation and radio interference mitigation. They are rendered difficult due to a growing number of emitter types and varied effects of real-world channels upon the radio signal. Existing spectrum monitoring techniques are capable of acquiring massive amounts of radio and real-time spectrum data using compact sensors deployed in a variety of settings. However, state-of-the-art methods that use such data to classify emitter types and detect communication schemes struggle to achieve required levels of accuracy at a computational efficiency that would allow their implementation on low-cost computational platforms. In this paper, we present a learning framework based on an LSTM denoising auto-encoder designed to automatically extract stable and robust features from noisy radio signals, and infer modulation or technology type using the learned features. The algorithm utilizes a compact neural network architecture readily implemented on a low-cost computational platform while exceeding state-of-the-art accuracy. Results on realistic synthetic as well as over-the-air radio data demonstrate that the proposed framework reliably and efficiently classifies received radio signals, often demonstrating superior performance compared to state-of-the-art methods.
• Abstract（参考訳）: 検出された無線信号に基づく通信技術および/または変調方式の特定は、スペクトル割り当てや電波干渉緩和など様々な用途で直面する課題である。 放射体の種類が増加し、無線信号に対する現実世界のチャネルの影響が変化するため、それらは困難である。 既存のスペクトラム監視技術は、様々な設定に配置された小型センサーを使用して、大量の無線およびリアルタイムスペクトラムデータを取得することができる。 しかし、そのようなデータを用いてエミッタのタイプを分類し、通信方式を検知する最先端の手法は、低コストの計算プラットフォーム上で実装できる計算効率において、必要なレベルの精度を達成するのに苦労する。 本稿では,ノイズ信号から安定かつロバストな特徴を自動的に抽出し,学習した特徴量を用いて変調や技術タイプを推定するlstm自動エンコーダに基づく学習フレームワークを提案する。 このアルゴリズムは、最先端の精度を超えながら、低コストの計算プラットフォームに容易に実装できるコンパクトニューラルネットワークアーキテクチャを利用する。 実写的な合成と空中無線データの結果から,提案手法は受信無線信号を安定かつ効率的に分類し,最先端の手法よりも優れた性能を示すことが判明した。

関連論文リスト

• Augmenting Training Data with Vector-Quantized Variational Autoencoder for Classifying RF Signals [9.99212997328053]
  本稿では,Vector-Quantized Variational Autoencoder (VQ-VAE) を用いたトレーニングデータの拡張を提案する。 VQ-VAEモデルは高忠実な合成RF信号を生成し、トレーニングデータセットの多様性と忠実度を高める。 実験結果から,VQ-VAE生成データの導入により,ベースラインモデルの分類精度が大幅に向上することが示唆された。
  論文  参考訳（メタデータ） (2024-10-23T21:17:45Z)
• Neuromorphic Split Computing with Wake-Up Radios: Architecture and Design via Digital Twinning [97.99077847606624]
  本研究は,遠隔・無線接続型NPUからなる分割計算機システムに,覚醒無線機構を組み込んだ新しいアーキテクチャを提案する。 覚醒無線に基づくニューロモルフィックスプリットコンピューティングシステムの設計における重要な課題は、検知、覚醒信号検出、意思決定のためのしきい値の選択である。
  論文  参考訳（メタデータ） (2024-04-02T10:19:04Z)
• Deep-Learned Compression for Radio-Frequency Signal Classification [0.49109372384514843]
  次世代の細胞概念は、大量の高周波サンプルの処理に依存している。 RF信号の複雑な値のサンプルを圧縮する深層学習圧縮モデルHQARFを提案する。 RF信号の変調クラスを推定するために訓練されたAIモデルの性能に対するHQARFの効果を評価する。
  論文  参考訳（メタデータ） (2024-03-05T17:42:39Z)
• Modulation Classification Through Deep Learning Using Resolution Transformed Spectrograms [3.9511559419116224]
  畳み込みニューラルネットワーク(CNN)の近代的アーキテクチャを用いた自動変調分類(AMC)手法を提案する。 我々は、受信したI/Qデータから99.61%の計算負荷削減と8倍の高速変換をもたらす分光器の分解能変換を行う。 この性能は、SqueezeNet、Resnet-50、InceptionResnet-V2、Inception-V3、VGG-16、Densenet-201といった既存のCNNモデルで評価される。
  論文  参考訳（メタデータ） (2023-06-06T16:14:15Z)
• 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)
• 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)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• Rethinking the Tradeoff in Integrated Sensing and Communication: Recognition Accuracy versus Communication Rate [21.149708253108788]
  ISAC(Integrated Sensistance and Communication)は、バンド利用効率を向上させるための有望な技術である。 センシング性能と通信性能の間にはトレードオフがある。 本稿では、認識精度と通信データレートを同時に最大化する多目的最適化問題を定式化し、解決する。
  論文  参考訳（メタデータ） (2021-07-20T17:00:35Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)
• 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。