論文の概要: Rapid parameter estimation of discrete decaying signals using autoencoder networks

• arxiv url: http://arxiv.org/abs/2103.08663v1
• Date: Wed, 10 Mar 2021 09:56:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 00:59:06.606792
• Title: Rapid parameter estimation of discrete decaying signals using autoencoder networks
• Title（参考訳）: オートエンコーダネットワークを用いた離散減衰信号の高速パラメータ推定
• Authors: Jim C. Visschers, Dmitry Budker, Lykourgos Bougas
• Abstract要約: 離散サンプリング信号の信号パラメータを迅速に抽出するためのオートエンコーダネットワークの使用を実証する。 3段階のトレーニング手法とニューラルネットワークのサイズを慎重に選択することで,オートエンコーダネットワークの潜在空間から直接関連する信号パラメータを検索することができる。 本手法の精度と精度は,従来のアルゴリズムに基づく信号解析手法と類似していることを示した。
• 参考スコア（独自算出の注目度）: 0.8250374560598496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work we demonstrate the use of autoencoder networks for rapid extraction of the signal parameters of discretely sampled signals. In particular, we use dense autoencoder networks to extract the parameters of interest from exponentially decaying signals and decaying oscillations. Using a three-stage training method and careful choice of the neural network size, we are able to retrieve the relevant signal parameters directly from the latent space of the autoencoder network at significantly improved rates compared to traditional algorithmic signal-analysis approaches. We show that the achievable precision and accuracy of this method of analysis is similar to conventional, algorithm-based signal analysis methods, by demonstrating that, the extracted signal parameters are approaching their fundamental parameter estimation limit as provided by the Cram\'er-Rao lower bound. Furthermore, we demonstrate that autoencoder networks are able to achieve signal analysis, and, hence, parameter extraction, at rates of 75 kHz, orders-of-magnitude faster than conventional techniques with equal precision. Finally, we explore the limitations of our approach, demonstrating that analysis rates of $>$200 kHz are feasible with further optimization of the transfer rate between the data-acquisition system and data-analysis system.
• Abstract（参考訳）: 本研究では,離散サンプリング信号の信号パラメータの高速抽出にオートエンコーダネットワークを用いることを実証する。 特に、密度の高いオートエンコーダネットワークを用いて、指数関数的減衰信号や減衰振動から興味のあるパラメータを抽出する。 3段階のトレーニング手法とニューラルネットワークサイズを慎重に選択することにより、従来のアルゴリズムによる信号分析手法と比較して、オートエンコーダネットワークの潜時空間から直接関連する信号パラメータを大幅に改善できる。 本手法の精度と精度は従来のアルゴリズムに基づく信号解析法とよく似ており, 抽出された信号パラメータがクレーア・ラオ下限によって与えられた基本パラメータ推定限界に近づいていることを示す。 さらに, オートエンコーダネットワークは信号解析が可能であり, パラメータ抽出は75 khzの速度で, 従来の手法と同等の精度で桁違いに高速化できることを示した。 最後に,データ取得システムとデータ解析システム間の転送速度を最適化することで,200khz以下の解析レートが実現可能であることを示す。

関連論文リスト

• Training Hamiltonian neural networks without backpropagation [0.0]
  本稿では,ハミルトニアン系を近似するニューラルネットワークのトレーニングを高速化するバックプロパゲーションフリーアルゴリズムを提案する。 従来のハミルトニアンニューラルネットワークよりもCPUの方が100倍以上高速であることを示す。
  論文  参考訳（メタデータ） (2024-11-26T15:22:30Z)
• FreSh: Frequency Shifting for Accelerated Neural Representation Learning [11.175745750843484]
  Inlicit Neural Representations (INR) は、画像、ビデオ、三次元形状などの信号を多層パーセプトロン(MLP)を用いて連続的に表現するための強力なアプローチとして近年注目されている。 低周波の詳細は低周波バイアスを示し、高周波の詳細を正確に捉える能力を制限することが知られている。 本稿では、初期出力の周波数スペクトルと目標信号の周波数スペクトルを一致させる周波数シフト(FreSh)を提案する。
  論文  参考訳（メタデータ） (2024-10-07T14:05:57Z)
• Overpredictive Signal Analytics in Federated Learning: Algorithms and Analysis [0.8702432681310399]
  エッジ信号処理は、フェデレート学習で提案されるクライアントサーバモデルにおける分散学習と推論を容易にする。 本稿では,効率的な凸最適化フレームワークを用いて,クライアントデバイスにおける過剰予測信号近似を計算するアルゴリズムを提案する。 また,提案した分散アルゴリズムの性能を,公用住宅エネルギー消費データセット上で示す。
  論文  参考訳（メタデータ） (2024-10-02T10:21:55Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Meta-Learning Sparse Implicit Neural Representations [69.15490627853629]
  入射神経表現は、一般的な信号を表す新しい道である。 現在のアプローチは、多数の信号やデータセットに対してスケールすることが難しい。 メタ学習型スパースニューラル表現は,高密度メタ学習モデルよりもはるかに少ない損失が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-27T18:02:53Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
  本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。 無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
  論文  参考訳（メタデータ） (2021-02-05T04:26:05Z)
• 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)
• DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection [98.43451011898212]
  複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。 本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。 DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
  論文  参考訳（メタデータ） (2020-02-08T18:31:00Z)

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。