論文の概要: Classification of Common Waveforms Including a Watchdog for Unknown
Signals
- arxiv url: http://arxiv.org/abs/2108.07339v1
- Date: Mon, 16 Aug 2021 20:36:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-18 13:08:20.993376
- Title: Classification of Common Waveforms Including a Watchdog for Unknown
Signals
- Title（参考訳）: 未知信号に対するウォッチドッグを含む共通波形の分類
- Authors: C. Tanner Fredieu, Justin Bui, Anthony Martone, Robert J. Marks II,
Charles Baylis, R. Michael Buehrer
- Abstract要約: 受信信号サンプルの分類に深層パーセプトロンモデルを用いた場合について検討する。
深層CNNアーキテクチャを持つオートエンコーダについても検討し,未知の波形タイプの新しい第5の分類カテゴリを作成する。
- 参考スコア（独自算出の注目度）: 9.928597392387186
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we examine the use of a deep multi-layer perceptron model
architecture to classify received signal samples as coming from one of four
common waveforms, Single Carrier (SC), Single-Carrier Frequency Division
Multiple Access (SC-FDMA), Orthogonal Frequency Division Multiplexing (OFDM),
and Linear Frequency Modulation (LFM), used in communication and radar
networks. Synchronization of the signals is not needed as we assume there is an
unknown and uncompensated time and frequency offset. An autoencoder with a deep
CNN architecture is also examined to create a new fifth classification category
of an unknown waveform type. This is accomplished by calculating a minimum and
maximum threshold values from the root mean square error (RMSE) of the radar
and communication waveforms. The classifier and autoencoder work together to
monitor a spectrum area to identify the common waveforms inside the area of
operation along with detecting unknown waveforms. Results from testing showed
the classifier had 100\% classification rate above 0 dB with accuracy of 83.2\%
and 94.7\% at -10 dB and -5 dB, respectively, with signal impairments present.
Results for the anomaly detector showed 85.3\% accuracy at 0 dB with 100\% at
SNR greater than 0 dB with signal impairments present when using a high-value
Fast Fourier Transform (FFT) size. Accurate detection rates decline as
additional noise is introduced to the signals, with 78.1\% at -5 dB and 56.5\%
at -10 dB. However, these low rates seen can be potentially mitigated by using
even higher FFT sizes also shown in our results.
- Abstract（参考訳）: 本稿では,受信した信号サンプルを,通信網やレーダネットワークで使用される4つの共通波形(single carrier(sc),single-carrier frequency division multiple access(sc-fdma),直交周波数分割多重化(ofdm),線形周波数変調(lfm)のうちの1つから抽出する,深層マルチ層パーセプトロンモデル(deep multi-layer perceptron model architecture)の利用について検討する。
信号の同期は、未知の時間と周波数オフセットが存在すると仮定するので不要である。
深層CNNアーキテクチャを持つオートエンコーダについても検討を行い,未知の波形タイプの新しい第5分類カテゴリを作成する。
これはレーダおよび通信波形の根平均二乗誤差(rmse)から最小および最大しきい値を算出することにより達成される。
分類器とオートエンコーダは協調してスペクトル領域を監視し、未知の波形を検出するとともに、動作領域内の共通波形を識別する。
実験の結果, 分類器の分類精度は0dbより100\%高く, 精度は83.2\%, 精度は94.7\%, 信号障害は5dbであった。
anomaly detectorの結果,高値高速フーリエ変換(fft)サイズの場合,snrで100\%,snrが0dbより大きい0dbで85.3\%の精度を示した。
信号に付加ノイズが導入されると正確な検出率は低下し、78.1\%は-5dB、56.5\%は10dBとなる。
しかし,これらの低速度は,FFTサイズが大きくなることで緩和できる可能性が示唆された。
関連論文リスト
- Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection [53.842568573251214]
3つのSARデータセットによる実験結果から、我々のWBANetは現代最先端の手法を著しく上回っていることが明らかとなった。
我々のWBANetは、それぞれのデータセットで98.33%、96.65%、96.62%の正確な分類(PCC)を達成している。
論文 参考訳（メタデータ） (2024-07-18T04:36:10Z) - Frequency-Aware Deepfake Detection: Improving Generalizability through
Frequency Space Learning [81.98675881423131]
この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。
既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。
本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
論文 参考訳（メタデータ） (2024-03-12T01:28:00Z) - Modulation Classification Through Deep Learning Using Resolution
Transformed Spectrograms [3.9511559419116224]
畳み込みニューラルネットワーク(CNN)の近代的アーキテクチャを用いた自動変調分類(AMC)手法を提案する。
我々は、受信したI/Qデータから99.61%の計算負荷削減と8倍の高速変換をもたらす分光器の分解能変換を行う。
この性能は、SqueezeNet、Resnet-50、InceptionResnet-V2、Inception-V3、VGG-16、Densenet-201といった既存のCNNモデルで評価される。
論文 参考訳（メタデータ） (2023-06-06T16:14:15Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳（メタデータ） (2022-06-29T23:22:18Z) - 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) - Open-set Classification of Common Waveforms Using A Deep Feed-forward
Network and Binary Isolation Forest Models [13.078132799573705]
受信信号の分類には深層パーセプトロンアーキテクチャを用いる。
システムは、0dB以上のSNRで98%の精度で、オープンセットモードで正しく分類することができる。
論文 参考訳（メタデータ） (2021-10-01T08:15:26Z) - A Machine-Learning-Based Direction-of-Origin Filter for the
Identification of Radio Frequency Interference in the Search for
Technosignatures [0.0]
畳み込みニューラルネットワーク(CNN)は、既存のフィルタに対して有望な補完を提供する。
我々は、あるスキャンで検出された信号が別のスキャンに存在するかどうかを判定できるCNNを設計し、訓練した。
このCNNベースのDoOフィルタは、ベースライン2D相関モデルと既存のDoOフィルタの両方を、さまざまなメトリクスで上回る。
論文 参考訳（メタデータ） (2021-07-28T20:22:39Z) - 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) - Supervised Neural Networks for RFI Flagging [0.0]
既存のRFIフラグング技術であるAOFlaggerを基盤として、実測データをフラグングするための2つの機械学習アプローチを実証した。
この方法では、ベースライン毎のブールフラグマップを高い精度で予測することができ、リコールは0.69、精度は0.83、アンF1スコアは0.75である。
論文 参考訳（メタデータ） (2020-07-29T06:57:36Z) - Detection of gravitational-wave signals from binary neutron star mergers
using machine learning [52.77024349608834]
本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。
信号対雑音比が25未満の信号に対する感度は6因子改善した。
保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
論文 参考訳（メタデータ） (2020-06-02T10:20:11Z) - 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)
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。