Fugu-MT 論文翻訳(概要): Signal Processing Based Deep Learning for Blind Symbol Decoding and Modulation Classification

論文の概要: Signal Processing Based Deep Learning for Blind Symbol Decoding and Modulation Classification

arxiv url: http://arxiv.org/abs/2106.10543v1
Date: Sat, 19 Jun 2021 18:00:31 GMT
ステータス: 処理完了
システム内更新日: 2021-06-22 15:14:21.358871
Title: Signal Processing Based Deep Learning for Blind Symbol Decoding and Modulation Classification
Title（参考訳）: 信号処理に基づくブラインドシンボル復号と変調分類のための深層学習
Authors: Samer Hanna, Chris Dick, and Danijela Cabric
Abstract要約: 信号の盲目的復号には、未知の送信パラメータを推定し、無線チャネルの障害を補償し、変調タイプを特定する必要がある。本稿では、DSP操作の信号経路と、未知の送信パラメータを推定するニューラルネットワークの特徴経路からなる二重経路ネットワーク(DPN)を提案する。
参考スコア（独自算出の注目度）: 14.276414947868727
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Blindly decoding a signal requires estimating its unknown transmit parameters, compensating for the wireless channel impairments, and identifying the modulation type. While deep learning can solve complex problems, digital signal processing (DSP) is interpretable and can be more computationally efficient. To combine both, we propose the dual path network (DPN). It consists of a signal path of DSP operations that recover the signal, and a feature path of neural networks that estimate the unknown transmit parameters. By interconnecting the paths over several recovery stages, later stages benefit from the recovered signals and reuse all the previously extracted features. The proposed design is demonstrated to provide 5% improvement in modulation classification compared to alternative designs lacking either feature sharing or access to recovered signals. The estimation results of DPN along with its blind decoding performance are shown to outperform a blind signal processing algorithm for BPSK and QPSK on a simulated dataset. An over-the-air software-defined-radio capture was used to verify DPN results at high SNRs. DPN design can process variable length inputs and is shown to outperform relying on fixed length inputs with prediction averaging on longer signals by up to 15% in modulation classification.
Abstract（参考訳）: 信号の盲目的復号には、未知の送信パラメータを推定し、無線チャネルの障害を補償し、変調タイプを特定する必要がある。ディープラーニングは複雑な問題を解決することができるが、デジタル信号処理(DSP)は解釈可能であり、より計算効率が高い。この2つを組み合わせるために、デュアルパスネットワーク(DPN)を提案する。これは、信号を復元するdsp操作の信号経路と、未知の送信パラメータを推定するニューラルネットワークの特徴経路からなる。いくつかの回復段階の経路を相互接続することで、後段は回収された信号の恩恵を受け、以前抽出された全ての特徴を再利用する。提案設計は, 特徴共有や回復信号へのアクセスに欠ける代替設計と比較して, 変調分類を5%改善することを示した。 DPNの推定結果とブラインド復号性能は、シミュレーションデータセット上でBPSKとQPSKのブラインド信号処理アルゴリズムより優れていることを示す。 DPN結果を高いSNRで検証するために、オーバー・ザ・エアのソフトウェア定義ラジオキャプチャが使用された。 dpn設計は可変長入力を処理でき、変調分類において、長信号の平均値が最大15%の予測値を持つ固定長入力よりも優れる。

関連論文リスト

DTP-Net: Learning to Reconstruct EEG signals in Time-Frequency Domain by Multi-scale Feature Reuse [7.646218090238708]
学習可能な時間周波数変換を挟んだDTP(Densely Connected Temporal Pyramid)で構成された、DTP-Netと呼ばれる完全な畳み込みニューラルネットワークを提案する。脳波信号は様々なアーティファクトによって容易に破壊され、疾患診断や脳-コンピュータインターフェース(BCI)などのシナリオにおいて、信号品質を改善するためにアーティファクトの除去が重要となる 2つの公開セミシミュレートされたデータセットで実施された大規模な実験は、DTP-Netの効果的なアーティファクト除去性能を示す。
論文参考訳（メタデータ） (2023-11-27T11:09:39Z)
Deep Learning-Based Frequency Offset Estimation [7.143765507026541]
残差ネットワーク(ResNet)を用いて信号の特徴を学習し抽出することで,CFO推定におけるディープラーニングの利用について述べる。従来のCFO推定法と比較して,提案手法は様々なシナリオにおいて優れた性能を示す。
論文参考訳（メタデータ） (2023-11-08T13:56:22Z)
Deep Convolutional Learning-Aided Detector for Generalized Frequency Division Multiplexing with Index Modulation [0.0]
提案手法は、まずゼロフォース検出器(ZF)を用いて受信信号を前処理し、その後、畳み込みニューラルネットワーク(CNN)と完全連結ニューラルネットワーク(FCNN)からなるニューラルネットワークを用いる。 FCNN部は2つの完全に接続された層しか使用せず、複雑さとBER(bit error rate)パフォーマンスのトレードオフをもたらすことができる。提案したディープ畳み込みニューラルネットワークに基づく検出・復調方式は,ZF検出器よりも高いBER性能を示し,複雑性が増大することが実証されている。
論文参考訳（メタデータ） (2022-02-06T22:18:42Z)
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)
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)
Model-Driven Deep Learning Based Channel Estimation and Feedback for Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。 MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-04-22T13:34:53Z)
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)
Solving Sparse Linear Inverse Problems in Communication Systems: A Deep Learning Approach With Adaptive Depth [51.40441097625201]
疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
論文参考訳（メタデータ） (2020-10-29T06:32:53Z)
Deep-Learning Based Blind Recognition of Channel Code Parameters over Candidate Sets under AWGN and Multi-Path Fading Conditions [13.202747831999414]
本稿では、受信した符号化信号だけを解析することで、候補集合上のチャネルコードパラメータを復元する問題を考察する。本稿では、任意の符号化方式のチャネルコードパラメータを識別できるディープラーニングベースのソリューションを提案する。
論文参考訳（メタデータ） (2020-09-16T16:10:39Z)
A light neural network for modulation detection under impairments [0.0]
I/Q信号の一部の変調スキームを効率的に検出できるニューラルネットワークアーキテクチャを提案する。パラメータの数は信号の持続時間に依存しないため、データのストリームを処理することができる。我々は、伝搬チャネルと復調器が記録したI/Q信号にもたらすことのできる障害のシミュレーションに基づいてデータセットを生成した。
論文参考訳（メタデータ） (2020-03-27T07:26:42Z)
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。