論文の概要: A Novel Automatic Modulation Classification Scheme Based on Multi-Scale Networks

• arxiv url: http://arxiv.org/abs/2105.15037v1
• Date: Mon, 31 May 2021 15:18:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-01 21:41:13.467455
• Title: A Novel Automatic Modulation Classification Scheme Based on Multi-Scale Networks
• Title（参考訳）: マルチスケールネットワークに基づく新しい自動変調分類方式
• Authors: Hao Zhang, Fuhui Zhou, Qihui Wu, Wei Wu, Rose Qingyang Hu
• Abstract要約: 本稿では,マルチスケールネットワークを用いた新しい自動変調分類手法を提案する。 中心損失と交差エントロピー損失を組み合わせた新規な損失関数を用いて識別性と分離性の両方を学習する。 提案した自動変調分類方式は,分類精度の観点から,ベンチマーク方式よりも優れた性能を実現することができる。
• 参考スコア（独自算出の注目度）: 35.04402595330191
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic modulation classification enables intelligent communications and it is of crucial importance in today's and future wireless communication networks. Although many automatic modulation classification schemes have been proposed, they cannot tackle the intra-class diversity problem caused by the dynamic changes of the wireless communication environment. In order to overcome this problem, inspired by face recognition, a novel automatic modulation classification scheme is proposed by using the multi-scale network in this paper. Moreover, a novel loss function that combines the center loss and the cross entropy loss is exploited to learn both discriminative and separable features in order to further improve the classification performance. Extensive simulation results demonstrate that our proposed automatic modulation classification scheme can achieve better performance than the benchmark schemes in terms of the classification accuracy. The influence of the network parameters and the loss function with the two-stage training strategy on the classification accuracy of our proposed scheme are investigated.
• Abstract（参考訳）: 自動変調分類はインテリジェントな通信を可能にし、今日および将来の無線通信ネットワークにおいて重要である。 多くの自動変調分類スキームが提案されているが、無線通信環境の動的変化に起因するクラス内多様性問題には対処できない。 そこで本論文では,顔認識に触発されて,マルチスケールネットワークを用いた新しい自動変調分類方式を提案する。 さらに、中心損失と交差エントロピー損失を組み合わせた新規な損失関数を利用して、識別性と分離性の両方の特徴を学習し、分類性能をさらに向上させる。 広範なシミュレーション結果から,提案する自動変調分類方式は,分類精度の点で,ベンチマーク方式よりも優れた性能が得られることが示された。 提案手法の分類精度に及ぼすネットワークパラメータと2段階訓練戦略による損失関数の影響について検討した。

関連論文リスト

• HANet: A Hierarchical Attention Network for Change Detection With Bitemporal Very-High-Resolution Remote Sensing Images [6.890268321645873]
  本研究では,変化情報の追加を含まないことに基づく,段階的前景バランスサンプリング戦略を提案する。 この戦略は、初期のトレーニングプロセス中に変更したピクセルの特徴を正確に学習するのに役立つ。 また,階層型注意ネットワーク(HANet)を設計し,マルチスケール機能の統合と詳細機能の改良を図る。
  論文  参考訳（メタデータ） (2024-04-14T08:01:27Z)
• Enhancing cross-domain detection: adaptive class-aware contrastive transformer [15.666766743738531]
  対象領域の不十分なラベルは、クラス不均衡とモデル性能劣化の問題を悪化させる。 逆学習と平均教師フレームワークに基づくクラス対応クロスドメイン検出変換器を提案する。
  論文  参考訳（メタデータ） (2024-01-24T07:11:05Z)
• SleepEGAN: A GAN-enhanced Ensemble Deep Learning Model for Imbalanced Classification of Sleep Stages [4.649202082648198]
  本研究では,睡眠段階の非バランスな分類のために,GAN(Generative Adversarial Network)を用いたアンサンブル深層学習モデルであるSleepEGANを開発した。 提案手法は,3つの睡眠データセットを用いた既存手法と比較して,分類精度を向上できることを示す。
  論文  参考訳（メタデータ） (2023-07-04T01:56:00Z)
• Automatic Modulation Classification with Deep Neural Networks [0.0]
  その結果,拡張畳み込み,統計プール,圧縮・励起ユニットの組み合わせが最強性能分類器となることがわかった。 さらに、この最高の演奏者は、短い信号バースト、一般的な誤分類、異なる変調カテゴリーやモードでの演奏など、様々な基準で調べる。
  論文  参考訳（メタデータ） (2023-01-27T15:16:06Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• 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)
• Rate Distortion Characteristic Modeling for Neural Image Compression [59.25700168404325]
  エンドツーエンドの最適化機能は、ニューラルイメージ圧縮(NIC)の優れた損失圧縮性能を提供する。 異なるモデルは、R-D空間の異なる点に到達するために訓練される必要がある。 深層ネットワークと統計モデルを用いてNICのR-D挙動を記述するために,本質的な数学的関数の定式化に努めている。
  論文  参考訳（メタデータ） (2021-06-24T12:23:05Z)
• Frequency-based Automated Modulation Classification in the Presence of Adversaries [17.930854969511046]
  本稿では、転送可能な対角干渉に耐えられるディープラーニングモデルからなる新しい受信アーキテクチャを提案する。 本研究では、リカレントニューラルネットワーク(RNN)では30%以上、畳み込みニューラルネットワーク(CNN)では50%以上の性能向上を示す。
  論文  参考訳（メタデータ） (2020-11-02T17:12:22Z)
• ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification [49.87503122462432]
  ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。 本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。 4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-06-27T13:50:20Z)
• Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
  受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。 本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2020-05-10T06:11:13Z)

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。