論文の概要: Time-Frequency Analysis based Deep Interference Classification for
Frequency Hopping System
- arxiv url: http://arxiv.org/abs/2108.10056v2
- Date: Fri, 22 Apr 2022 09:31:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 07:20:14.836413
- Title: Time-Frequency Analysis based Deep Interference Classification for
Frequency Hopping System
- Title（参考訳）: 時間周波数解析に基づく周波数ホッピングシステムの深部干渉分類
- Authors: Changzhi Xu, Jingya Ren, Wanxin Yu, Yi Jin, Zhenxin Cao, Xiaogang Wu,
Weiheng Jiang
- Abstract要約: 干渉分類は、認証された通信システムを保護する上で重要な役割を果たす。
本稿では,周波数ホッピング通信システムにおける干渉分類問題について述べる。
周波数ホッピング系における多重干渉の可能性を考慮すると、線形および双線形変換に基づく複合時間周波数解析法が採用されている。
- 参考スコア（独自算出の注目度）: 2.8123846032806035
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is known that, interference classification plays an important role in
protecting the authorized communication system and avoiding its performance
degradation in the hostile environment. In this paper, the interference
classification problem for the frequency hopping communication system is
discussed. Considering the possibility of presence multiple interferences in
the frequency hopping system, in order to fully extract effective features of
the interferences from the received signals, the linear and bilinear transform
based composite time-frequency analysis method is adopted. Then the
time-frequency spectrograms obtained from the time-frequency analysis are
constructed as matching pairs and input to the deep neural network for
classification. In particular, the Siamese neural network is used as the
classifier, where the paired spectrograms are input into the two sub-networks
of the deep networks, and these two sub-networks extract the features of the
paired spectrograms for interference type classification. The simulation
results confirm that the proposed algorithm can obtain higher classification
accuracy than both traditional single time-frequency representation based
approach and the AlexNet transfer learning or convolutional neural network
based methods.
- Abstract（参考訳）: 干渉分類は、認証された通信システムを保護する上で重要な役割を担い、敵対的環境における性能劣化を回避することが知られている。
本稿では,周波数ホッピング通信システムにおける干渉分類問題について述べる。
周波数ホッピング系における多重干渉の可能性を考慮すると、受信信号から干渉の効果的な特徴を完全に抽出するために、線形および双線形変換に基づく複合時間周波数解析法を採用する。
そして、時間周波数分析から得られる時間周波数スペクトルをマッチングペアとして構成し、ディープニューラルネットワークに入力して分類する。
特に、シアムニューラルネットワークは分類器として用いられ、ペア付きスペクトログラムはディープネットワークの2つのサブネットワークに入力され、これら2つのサブネットワークはペア付きスペクトログラムの特徴を干渉型分類のために抽出する。
シミュレーションの結果,提案手法は従来の時間周波数表現ベースアプローチや,アレクサネット転送学習法や畳み込みニューラルネットワーク法よりも高い分類精度が得られることがわかった。
関連論文リスト
- Histogram Layer Time Delay Neural Networks for Passive Sonar
Classification [58.720142291102135]
時間遅延ニューラルネットワークとヒストグラム層を組み合わせた新しい手法により,特徴学習の改善と水中音響目標分類を実現する。
提案手法はベースラインモデルより優れており,受動的ソナー目標認識のための統計的文脈を取り入れた有効性を示す。
論文 参考訳（メタデータ） (2023-07-25T19:47:26Z) - Joint Channel Estimation and Feedback with Masked Token Transformers in
Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。
エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。
提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文 参考訳（メタデータ） (2023-06-08T06:15:17Z) - Investigating Adversarial Vulnerability and Implicit Bias through Frequency Analysis [0.3985805843651649]
本研究では,これらの摂動と,勾配に基づくアルゴリズムで学習したニューラルネットワークの暗黙バイアスとの関係について検討する。
入力画像のそれぞれに対して, 正確な分類や誤分類に必要な最小かつ最も重要な周波数を, 逆摂動バージョンで同定する。
その結果,Fourier空間のネットワークバイアスと敵攻撃の標的周波数は高い相関性を示し,新たな敵防御戦略が示唆された。
論文 参考訳（メタデータ） (2023-05-24T14:40:23Z) - Streaming Audio-Visual Speech Recognition with Alignment Regularization [69.30185151873707]
本稿では,ハイブリッド接続型時間分類(CTC)/アテンションニューラルネットワークアーキテクチャに基づくストリーミングAV-ASRシステムを提案する。
提案したAV-ASRモデルは、オフラインおよびオンライン設定でLip Reading Sentences 3データセット上で、WERの2.0%と2.6%を達成する。
論文 参考訳（メタデータ） (2022-11-03T20:20:47Z) - Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。
我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-03-27T14:25:52Z) - Parallel frequency function-deep neural network for efficient complex
broadband signal approximation [1.536989504296526]
ニューラルネットワークは本質的に、特徴フィッティングのためのネットワーク重みを調整することで、高次元の複雑なマッピングモデルである。
ネットワークトレーニングにおけるスペクトルバイアスは、ブロードバンド信号に高周波成分を適合させるには耐え難い訓練エポックをもたらす。
並列周波数関数ディープニューラルネットワーク(PFF-DNN)を提案する。
論文 参考訳（メタデータ） (2021-06-19T01:39:13Z) - 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) - PILOT: Introducing Transformers for Probabilistic Sound Event
Localization [107.78964411642401]
本稿では,受信したマルチチャンネル音声信号の時間的依存性を自己アテンション機構によってキャプチャする,トランスフォーマーに基づく新しい音声イベント定位フレームワークを提案する。
このフレームワークは, 公開されている3つの音声イベントローカライズデータセットを用いて評価し, 局所化誤差と事象検出精度の点で最先端の手法と比較した。
論文 参考訳（メタデータ） (2021-06-07T18:29:19Z) - Sparse Mixture of Local Experts for Efficient Speech Enhancement [19.645016575334786]
本稿では,専門的ニューラルネットワークの効率的なアンサンブルを通して,音声を聴覚的に認識するためのディープラーニング手法について検討する。
タスクを重複しないサブプロブレムに分割することで、計算複雑性を低減しつつ、デノナイジング性能を向上させることができる。
以上の結果から,微調整されたアンサンブルネットワークは,一般のネットワークの発声能力を上回ることができることがわかった。
論文 参考訳（メタデータ） (2020-05-16T23:23:22Z) - 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) - Interference Classification Using Deep Neural Networks [14.962398031252059]
本稿では,ディープニューラルネットワークを用いた干渉分類手法を提案する。
我々は、5種類の干渉信号を生成し、入力信号のパワースペクトル密度(PSD)と循環スペクトルの両方をネットワークへの入力特徴として利用する。
論文 参考訳（メタデータ） (2020-02-03T02:12:39Z)
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。