論文の概要: Blind Modulation Classification via Combined Machine Learning and Signal
Feature Extraction
- arxiv url: http://arxiv.org/abs/2101.04337v1
- Date: Tue, 12 Jan 2021 07:58:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 10:44:51.706047
- Title: Blind Modulation Classification via Combined Machine Learning and Signal
Feature Extraction
- Title（参考訳）: 機械学習と信号特徴抽出を組み合わせたブラインド変調分類
- Authors: Jafar Norolahi, Paeiz Azmi
- Abstract要約: 低信号パワーから雑音比(SNR)における多彩な変調の認識には,機械傾きと信号特徴抽出の組み合わせが有効である
SNR=-4.2 dB では 4-QAM、SNR=2.1 dB では 4-FSK を %99 の成功率で認識できる。
- 参考スコア（独自算出の注目度）: 5.873416857161077
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this study, an algorithm to blind and automatic modulation classification
has been proposed. It well benefits combined machine leaning and signal feature
extraction to recognize diverse range of modulation in low signal power to
noise ratio (SNR). The presented algorithm contains four. First, it advantages
spectrum analyzing to branching modulated signal based on regular and irregular
spectrum character. Seconds, a nonlinear soft margin support vector (NS SVM)
problem is applied to received signal, and its symbols are classified to
correct and incorrect (support vectors) symbols. The NS SVM employment leads to
discounting in physical layer noise effect on modulated signal. After that, a
k-center clustering can find center of each class. finally, in correlation
function estimation of scatter diagram is correlated with pre-saved ideal
scatter diagram of modulations. The correlation outcome is classification
result. For more evaluation, success rate, performance, and complexity in
compare to many published methods are provided. The simulation prove that the
proposed algorithm can classified the modulated signal in less SNR. For
example, it can recognize 4-QAM in SNR=-4.2 dB, and 4-FSK in SNR=2.1 dB with
%99 success rate. Moreover, due to using of kernel function in dual problem of
NS SVM and feature base function, the proposed algorithm has low complexity and
simple implementation in practical issues.
- Abstract（参考訳）: 本研究では,視覚・自動変調分類のためのアルゴリズムを提案する。
低信号パワーから雑音比(SNR)の様々な変調を識別するために、機械傾きと信号特徴抽出の組み合わせが有効である。
提案アルゴリズムは4つを含む。
まず、正規および不規則なスペクトル特性に基づく変調信号の分岐に対するスペクトル分析に有利である。
次に、受信信号に非線形ソフトマージン支持ベクトル(NS SVM)問題を適用し、そのシンボルを正しい(サポートベクトル)シンボルに分類する。
NS SVMの雇用は変調信号に対する物理層ノイズ効果の低減につながる。
その後、k-centerクラスタリングは各クラスの中央を見つけることができる。
最後に, 散乱図の相関関数推定は, 変調の既設理想散乱図と相関する。
相関結果は分類結果である。
さらなる評価のために、多くの公開手法と比較して成功率、性能、複雑さが提供される。
シミュレーションにより、提案アルゴリズムは変調された信号をより少ないSNRで分類できることを示す。
例えば、SNR=4.2dBで4-QAM、SNR=2.1dBで4-FSK、成功率は%99である。
さらに,ns svmと特徴ベース関数の双対問題におけるカーネル関数の利用により,提案手法は複雑性が低く,実装が簡単である。
関連論文リスト
- Deep Learning Assisted Multiuser MIMO Load Modulated Systems for
Enhanced Downlink mmWave Communications [68.96633803796003]
本稿では, マルチユーザ負荷変調アレイ (MU-LMA) に着目し, マイクロウェーブ (mmWave) マルチインプット・マルチアウトプット (MIMO) システムにおいて, マルチユーザ負荷変調アレイ (MU-LMA) の小型化とコスト削減を図っている。
ダウンリンクMU-LMAの既存のプリコーディングアルゴリズムは、自由度と複雑なシステム構成の低下に悩まされるサブアレイ構造化(SAS)送信機に依存している。
本稿では,FAS (Full-array Structured) 送信機を用いたMU-LMAシステムを提案し,それに応じて2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-11-08T08:54:56Z) - Optimal Algorithms for the Inhomogeneous Spiked Wigner Model [89.1371983413931]
不均一な問題に対する近似メッセージパッシングアルゴリズム(AMP)を導出する。
特に,情報理論の閾値よりも大きい信号と雑音の比を必要とする既知のアルゴリズムが,ランダムよりも優れた処理を行うための統計的・計算的ギャップの存在を同定する。
論文 参考訳（メタデータ） (2023-02-13T19:57:17Z) - DINER: Disorder-Invariant Implicit Neural Representation [33.10256713209207]
入射神経表現(INR)は、信号の属性を対応する座標の関数として特徴づける。
本稿では、従来のINRバックボーンにハッシュテーブルを付加することにより、障害不変な暗黙的神経表現(DINER)を提案する。
論文 参考訳（メタデータ） (2022-11-15T03:34:24Z) - Graph Signal Restoration Using Nested Deep Algorithm Unrolling [85.53158261016331]
グラフ信号処理は、センサー、社会交通脳ネットワーク、ポイントクラウド処理、グラフネットワークなど、多くのアプリケーションにおいてユビキタスなタスクである。
凸非依存型深部ADMM(ADMM)に基づく2つの復元手法を提案する。
提案手法のパラメータはエンドツーエンドでトレーニング可能である。
論文 参考訳（メタデータ） (2021-06-30T08:57:01Z) - Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。
いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
論文 参考訳（メタデータ） (2021-03-01T08:25:26Z) - Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。
我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。
数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
論文 参考訳（メタデータ） (2020-11-18T16:40:45Z) - Joint Learning of Probabilistic and Geometric Shaping for Coded
Modulation Systems [12.325545487629297]
ビットワイド相互情報(BMI)の協調最適化を可能にするトレーニング可能な符号化変調方式を提案する。
提案手法は対称確率分布に制限されず、任意のチャネルモデルに最適化でき、任意のコードレート$k/m$で動作する。
論文 参考訳（メタデータ） (2020-04-10T14:56:32Z) - Time-Frequency Analysis based Blind Modulation Classification for
Multiple-Antenna Systems [6.011027400738812]
ブラインド変調分類は、認知無線ネットワークを実装するための重要なステップである。
マルチインプット・マルチアウトプット(MIMO)技術は、軍事や民間の通信システムで広く使われている。
これらのシナリオでは、従来の可能性ベースのアプローチや特徴ベースのアプローチは適用できない。
論文 参考訳（メタデータ） (2020-04-01T12:27:29Z) - 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) - 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) - ANN-Based Detection in MIMO-OFDM Systems with Low-Resolution ADCs [0.0]
本稿では,信号検出に使用するLevenberg-Marquardtアルゴリズムを用いて,多層ニューラルネットワーク(ANN)を提案する。
本研究では,受信機におけるチャネル状態情報を知ることなく,データシンボル推定を行うブラインド検出方式を検討する。
論文 参考訳（メタデータ） (2020-01-31T03:38:42Z)
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。