論文の概要: Design of an Novel Spectrum Sensing Scheme Based on Long Short-Term Memory and Experimental Validation

• arxiv url: http://arxiv.org/abs/2111.10769v1
• Date: Sun, 21 Nov 2021 08:51:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-23 17:28:18.163355
• Title: Design of an Novel Spectrum Sensing Scheme Based on Long Short-Term Memory and Experimental Validation
• Title（参考訳）: 長期記憶に基づく新しいスペクトルセンシングスキームの設計と実験的検証
• Authors: Nupur Choudhury, Kandarpa Kumar Sarma, Chinmoy Kalita, Aradhana Misra
• Abstract要約: 深層学習ネットワーク(DLN)の重要な要素である長期記憶(LSTM)に基づくスペクトルセンシング手法を提案する。 提案手法は, Adalm Pluto を用いた実証実験により検証した。
• 参考スコア（独自算出の注目度）: 0.7349727826230862
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Spectrum sensing allows cognitive radio systems to detect relevant signals in despite the presence of severe interference. Most of the existing spectrum sensing techniques use a particular signal-noise model with certain assumptions and derive certain detection performance. To deal with this uncertainty, learning based approaches are being adopted and more recently deep learning based tools have become popular. Here, we propose an approach of spectrum sensing which is based on long short term memory (LSTM) which is a critical element of deep learning networks (DLN). Use of LSTM facilitates implicit feature learning from spectrum data. The DLN is trained using several features and the performance of the proposed sensing technique is validated with the help of an empirical testbed setup using Adalm Pluto. The testbed is trained to acquire the primary signal of a real world radio broadcast taking place using FM. Experimental data show that even at low signal to noise ratio, our approach performs well in terms of detection and classification accuracies, as compared to current spectrum sensing methods.
• Abstract（参考訳）: スペクトルセンシングにより、重度の干渉があるにもかかわらず、認知無線システムは関連する信号を検出することができる。 既存のスペクトルセンシング技術のほとんどは、特定の仮定を持つ特定の信号ノイズモデルを使用し、特定の検出性能を導出する。 この不確実性に対処するため、学習ベースのアプローチが採用され、最近ではディープラーニングベースのツールが普及している。 本稿では,深層学習ネットワーク(DLN)の重要な要素である長期記憶(LSTM)に基づくスペクトルセンシング手法を提案する。 LSTMはスペクトルデータから暗黙的な特徴学習を容易にする。 DLNはいくつかの特徴を用いて訓練され,アダルム冥王星を用いた実証実験装置の助けを借りて,提案手法の有効性が検証された。 テストベッドはFMを用いて実世界のラジオ放送の主信号を取得するよう訓練される。 実験データからは,低信号対雑音比でも,現在のスペクトル検出法と比較して,検出精度と分類精度の面で良好に機能することが示された。

関連論文リスト

• Exploring Cross-Domain Few-Shot Classification via Frequency-Aware Prompting [37.721042095518044]
  クロスドメインなFew-Shot Learningはメタラーニングの発展に大きく貢献している。 本稿では,相互に注意を向けた周波数対応プロンプト手法を提案する。
  論文  参考訳（メタデータ） (2024-06-24T08:14:09Z)
• 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)
• Realtime Spectrum Monitoring via Reinforcement Learning -- A Comparison Between Q-Learning and Heuristic Methods [0.0]
  利用可能なレシーバリソースを制御するための2つのアプローチを比較した。 使用するQ-ラーニングアルゴリズムは、より少ない探索率を犠牲にして、アプローチよりもはるかに高い検出率を有する。
  論文  参考訳（メタデータ） (2023-07-11T19:40:02Z)
• Multi-task Learning for Radar Signal Characterisation [48.265859815346985]
  本稿では,マルチタスク学習(MTL)問題として,レーダ信号の分類と特徴化に取り組むためのアプローチを提案する。 本稿では,複数のレグレッションタスクと分類タスクを同時最適化するIQST(IQ Signal Transformer)を提案する。 合成レーダデータセット上で提案したMTLモデルの性能を示すとともに,レーダ信号の特徴付けのための一級ベンチマークも提供する。
  論文  参考訳（メタデータ） (2023-06-19T12:01:28Z)
• Low-Latency Cooperative Spectrum Sensing via Truncated Vertical Federated Learning [51.51440623636274]
  データプライバシを損なうことなく、複数のセカンダリユーザ(SU)にまたがる分散機能を活用できる垂直連合学習(VFL)フレームワークを提案する。 学習プロセスの高速化を目的として,T-VFL(Truncated vertical Federated Learning)アルゴリズムを提案する。 T-VFLの収束性能は、数学的解析によって提供され、シミュレーション結果によって正当化される。
  論文  参考訳（メタデータ） (2022-08-07T10:39:27Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• 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)
• Signal Processing and Machine Learning Techniques for Terahertz Sensing: An Overview [89.09270073549182]
  テラヘルツ(THz)信号生成と放射法は、無線システムの未来を形作っている。 THz 固有の信号処理技術は、THz 帯域の効率的な利用のために、この THz センシングへの関心を補う必要がある。 本稿では,信号前処理に着目した手法の概要を示す。 また,THz帯で有望な知覚能力を探索し,深層学習の有効性についても検討した。
  論文  参考訳（メタデータ） (2021-04-09T01:38:34Z)
• Spectrum Sensing and Signal Identification with Deep Learning based on Spectral Correlation Function [2.6626788331762867]
  スペクトル相関関数を用いた畳み込みニューラルネットワーク(CNN)モデルを提案する。 提案手法は,事前情報のない無線信号を分類し,CASE1とCASE2という2つの異なる設定で実装する。 この実装はセルシグナルを超越したものの、提案手法はサイクロ定常特性を示す任意の信号の検出と分類にまで拡張することができる。
  論文  参考訳（メタデータ） (2020-03-17T06:56:26Z)
• Harvesting Ambient RF for Presence Detection Through Deep Learning [12.535149305258171]
  本稿では,深層学習による人的存在検出における環境無線周波数(RF)信号の利用について検討する。 WiFi信号を例として,受信機で取得したチャネル状態情報(CSI)が伝搬環境に関する豊富な情報を含んでいることを示す。 畳み込みニューラルネットワーク(CNN)は、大きさと位相情報の両方を適切に訓練し、信頼性の高い存在検出を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-02-13T20:35:55Z)

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。