論文の概要: Open-set Classification of Common Waveforms Using A Deep Feed-forward Network and Binary Isolation Forest Models

• arxiv url: http://arxiv.org/abs/2110.00252v1
• Date: Fri, 1 Oct 2021 08:15:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-04 14:31:10.057256
• Title: Open-set Classification of Common Waveforms Using A Deep Feed-forward Network and Binary Isolation Forest Models
• Title（参考訳）: ディープフィードフォワードネットワークと二元分離森林モデルを用いた共通波形のオープンセット分類
• Authors: C. Tanner Fredieu, Anthony Martone, R. Michael Buehrer
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.078132799573705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we examine the use of a deep multi-layer perceptron architecture to classify received signals as one of seven common waveforms, single carrier (SC), single-carrier frequency division multiple access (SC-FDMA), orthogonal frequency division multiplexing (OFDM), linear frequency modulation (LFM), amplitude modulation (AM), frequency modulation (FM), and phase-coded pulse modulation 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. The classifier is open-set meaning it assumes unknown waveforms may appear. Isolation forest (IF) models acting as binary classifiers are used for each known signal class to perform detection of possible unknown signals. This is accomplished using the 32-length feature vector from a dense layer as input to the IF models. The classifier and IF models work together to monitor the spectrum and identify waveforms along with detecting unknown waveforms. Results showed the classifier had 100% classification rate above 0 dB with an accuracy of 83.2% and 94.7% at -10 dB and -5 dB, respectively, with signal impairments present. Results for the IF models showed an overall accuracy of 98% when detecting known and unknown signals with signal impairments present. IF models were able to reject all unknown signals while signals similar to known signals were able to pass through 2% of the time due to the contamination rate used during training. Overall, the entire system can classify correctly in an open-set mode with 98% accuracy at SNR greater than 0 dB.
• Abstract（参考訳）: 本稿では,受信信号を7つの共通波形(単一キャリア(sc),単キャリア周波数分割多重アクセス(sc-fdma),直交周波数分割多重化(ofdm),線形周波数変調(lfm),振幅変調(am),周波数変調(fm),位相符号化パルス変調)の1つに分類する深層マルチ層パーセプトロンアーキテクチャについて検討する。 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。 分類器は開集合であり、未知の波形が現れると仮定する。 バイナリ分類器として機能する分離林(IF)モデルは、未知の信号を検出するために、既知の信号クラス毎に使用される。 これはifモデルへの入力として高密度層からの32長特徴ベクトルを用いて達成される。 分類器とIFモデルは協調してスペクトルを監視し、未知の波形を検出するとともに波形を識別する。 その結果, 分類器の分類率は0dbより100%高く, 精度は83.2%, 感度は94.7%, 信号障害は5dbであった。 IFモデルの結果, 信号障害のある未知の信号を検出する場合, 全体的な精度は98%であった。 IFモデルは未知の信号をすべて拒否することができ、既知の信号と同様の信号はトレーニング中に使用される汚染率のために2%の時間を通過することができた。 全体として、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できる。

関連論文リスト

• MultiWave: Multiresolution Deep Architectures through Wavelet Decomposition for Multivariate Time Series Prediction [6.980076213134384]
  MultiWaveは、信号の固有周波数で動作するコンポーネントを組み込むことで、ディープラーニング時系列モデルを強化する新しいフレームワークである。 我々は、MultiWaveが重要な特徴とその周波数成分を一貫して識別し、研究対象のアプリケーションに対する貴重な洞察を提供することを示す。
  論文  参考訳（メタデータ） (2023-06-16T20:07:15Z)
• 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)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• 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)
• Classification of Common Waveforms Including a Watchdog for Unknown Signals [9.928597392387186]
  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。
  論文  参考訳（メタデータ） (2021-08-16T20:36:46Z)
• Ensemble of Convolution Neural Networks on Heterogeneous Signals for Sleep Stage Scoring [63.30661835412352]
  本稿では,脳波以外の追加信号の利用の利便性について検討し,比較する。 最も優れたモデルである深部分離畳み込みニューラルネットワークのアンサンブルは86.06%の精度を達成した。
  論文  参考訳（メタデータ） (2021-07-23T06:37:38Z)
• Deep Learning Radio Frequency Signal Classification with Hybrid Images [0.0]
  入力トレーニングデータに使用できるさまざまな前処理ステップに注目し、結果を固定されたディープラーニングアーキテクチャでテストする。 本稿では,時間領域情報と周波数領域情報の両方を利用するハイブリッド画像を提案し,コンピュータビジョン問題として分類する。
  論文  参考訳（メタデータ） (2021-05-19T11:12:09Z)
• Sampling-Frequency-Independent Audio Source Separation Using Convolution Layer Based on Impulse Invariant Method [67.24600975813419]
  単一深層ニューラルネットワークを用いて任意のサンプリング周波数を処理できる畳み込み層を提案する。 提案層の導入により,従来の音源分離モデルが未知のサンプリング周波数でも一貫して動作できることを示した。
  論文  参考訳（メタデータ） (2021-05-10T02:33:42Z)
• Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
  睡眠障害は、世界中の主要な病気の1つです。 専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。 専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
  論文  参考訳（メタデータ） (2021-03-30T09:59:56Z)
• 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。