論文の概要: Deep Neural Network Feature Designs for RF Data-Driven Wireless Device Classification

• arxiv url: http://arxiv.org/abs/2105.02755v1
• Date: Tue, 2 Mar 2021 20:19:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-09 11:56:16.135616
• Title: Deep Neural Network Feature Designs for RF Data-Driven Wireless Device Classification
• Title（参考訳）: RFデータ駆動無線デバイス分類のためのディープニューラルネットワークの特徴設計
• Authors: Bechir Hamdaoui, Abdurrahman Elmaghbub, Seifeddine Mejri
• Abstract要約: 本稿では、RF通信信号の異なる構造と、送信機ハードウェア障害に起因するスペクトル放射を利用する新しい特徴設計手法を提案する。 提案するDNNの特徴は,拡張性,精度,シグネチャ・アンチ・クローニング,環境摂動に対する非感受性の観点から,分類の堅牢性を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 9.05607520128194
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Most prior works on deep learning-based wireless device classification using radio frequency (RF) data apply off-the-shelf deep neural network (DNN) models, which were matured mainly for domains like vision and language. However, wireless RF data possesses unique characteristics that differentiate it from these other domains. For instance, RF data encompasses intermingled time and frequency features that are dictated by the underlying hardware and protocol configurations. In addition, wireless RF communication signals exhibit cyclostationarity due to repeated patterns (PHY pilots, frame prefixes, etc.) that these signals inherently contain. In this paper, we begin by explaining and showing the unsuitability as well as limitations of existing DNN feature design approaches currently proposed to be used for wireless device classification. We then present novel feature design approaches that exploit the distinct structures of the RF communication signals and the spectrum emissions caused by transmitter hardware impairments to custom-make DNN models suitable for classifying wireless devices using RF signal data. Our proposed DNN feature designs substantially improve classification robustness in terms of scalability, accuracy, signature anti-cloning, and insensitivity to environment perturbations. We end the paper by presenting other feature design strategies that have great potentials for providing further performance improvements of the DNN-based wireless device classification, and discuss the open research challenges related to these proposed strategies.
• Abstract（参考訳）: 無線周波数(RF)データを用いたディープラーニングベースの無線デバイス分類に関する研究は、主に視覚や言語などの領域で成熟した、既製のディープニューラルネットワーク(DNN)モデルを適用している。 しかし、無線RFデータには、他の領域と区別する固有の特徴がある。 例えば、RFデータには、基盤となるハードウェアとプロトコルの設定によって規定される時間と周波数の特徴が混在している。 さらに、無線RF通信信号は、これらの信号が本質的に含む繰り返しパターン(PHYパイロット、フレームプレフィックスなど)により、サイクロ定常性を示す。 本稿では,現在提案されている無線デバイス分類におけるDNN機能設計手法の問題点と,その限界について解説し,その説明から始める。 次に、RF信号データを用いた無線機器の分類に適したカスタムメイクDNNモデルに対して、RF通信信号の異なる構造と送信機ハードウェア障害によるスペクトル放射を利用する新しい特徴設計手法を提案する。 提案するdnnの特徴設計は,スケーラビリティ,精度,シグネチャアンチクローニング,環境摂動に対する非感受性の観点から,分類ロバスト性を大幅に改善した。 本稿は、DNNベースの無線デバイス分類のさらなる性能向上をもたらす大きな可能性を持つ他の機能設計戦略を提示し、これらの戦略に関するオープンな研究課題について論じる。

関連論文リスト

• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。 ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。 本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• 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)
• RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
  本稿では、新しいデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。 まず、干渉除去アルゴリズムの開発と解析の基礎となる洞察に富んだ信号モデルを提案する。 第2に,さまざまなRF信号とコードテンプレートを備えた公開データセットであるRF Challengeを紹介する。 第3に,UNetやWaveNetなどのアーキテクチャにおいて,新しいAIに基づく拒絶アルゴリズムを提案し,その性能を8種類の信号混合タイプで評価する。
  論文  参考訳（メタデータ） (2024-09-13T13:53:41Z)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• 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)
• 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)
• Zero-bias Deep Neural Network for Quickest RF Signal Surveillance [14.804498377638696]
  モノのインターネット(IoT)は、十分な数のRFデバイスがRFチャネルを介して情報を接続し、共有できるようにすることによって、現代社会を再構築している。 本稿ではRF信号監視のためのディープラーニングフレームワークを提供する。 我々は、Deep Neural Networks(DNN)とQuickest Detection(QD)を統合して、シーケンシャルな信号監視スキームを形成する。
  論文  参考訳（メタデータ） (2021-10-12T07:48:57Z)
• Digital Signal Processing Using Deep Neural Networks [2.624902795082451]
  本稿では、RF領域の問題を解決するために特別に設計されたカスタムディープニューラルネットワーク(DNN)を提案する。 本モデルは,自動エンコーダ畳み込みネットワークと変圧器ネットワークを組み合わせることで,特徴抽出と注意のメカニズムを活用する。 また,DNNをトレーニングし,自動変調分類を行い,伝送路効果を推測・補正し,ベースバンドRF信号を直接復調することのできる,新しいオープンデータセットと物理データ拡張モデルを提案する。
  論文  参考訳（メタデータ） (2021-09-21T18:59:32Z)
• ChaRRNets: Channel Robust Representation Networks for RF Fingerprinting [0.0]
  RFフィンガープリントのための複雑値畳み込みニューラルネットワーク(CNN)を提案する。 我々は,深層学習(dl)技術を用いた無線iotデバイスの指紋認証の問題に注目する。
  論文  参考訳（メタデータ） (2021-05-08T03:03:21Z)
• On the benefits of robust models in modulation recognition [53.391095789289736]
  畳み込み層を用いたディープニューラルネットワーク(DNN)は、通信における多くのタスクにおいて最先端である。 画像分類のような他の領域では、DNNは敵の摂動に弱いことが示されている。 最新モデルの堅牢性をテストするための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-27T19:58:06Z)
• Intelligent Reflecting Surface Aided Wireless Communications: A Tutorial [64.77665786141166]
  インテリジェント反射面(Intelligent Reflecting Surface、IRS)は、無線ネットワークにおける電波伝搬を工学する技術である。 IRSは無線チャネルを動的に変更して通信性能を向上させることができる。 その大きな可能性にもかかわらず、IRSは無線ネットワークに効率的に統合されるための新たな課題に直面している。
  論文  参考訳（メタデータ） (2020-07-06T13:59:09Z)

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。