論文の概要: Modulation and signal class labelling using active learning and
classification using machine learning
- arxiv url: http://arxiv.org/abs/2202.12930v1
- Date: Wed, 23 Feb 2022 15:33:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-06 12:47:44.082676
- Title: Modulation and signal class labelling using active learning and
classification using machine learning
- Title（参考訳）: 機械学習を用いたアクティブラーニングと分類を用いた変調と信号クラスラベリング
- Authors: Bhargava B C, Ankush Deshmukh, A V Narasimhadhan
- Abstract要約: 本稿では,能動的学習フレームワークを用いたリアルタイム無線変調と信号クラスラベリングの課題を解決することを目的とする。
アクティブラーニングは、トレーニングされたデータサンプルの最小限の量で、異なるクラスに属するデータポイントをラベル付けするのに役立つ。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Supervised learning in machine learning (ML) requires labelled data set.
Further real-time data classification requires an easily available methodology
for labelling. Wireless modulation and signal classification find their
application in plenty of areas such as military, commercial and electronic
reconaissance and cognitive radio. This paper mainly aims to solve the problem
of real-time wireless modulation and signal class labelling with an active
learning framework. Further modulation and signal classification is performed
with machine learning algorithms such as KNN, SVM, Naive bayes. Active learning
helps in labelling the data points belonging to different classes with the
least amount of data samples trained. An accuracy of 86 percent is obtained by
the active learning algorithm for the signal with SNR 18 dB. Further, KNN based
model for modulation and signal classification performs well over range of SNR,
and an accuracy of 99.8 percent is obtained for 18 dB signal. The novelty of
this work exists in applying active learning for wireless modulation and signal
class labelling. Both modulation and signal classes are labelled at a given
time with help of couplet formation from the data samples.
- Abstract（参考訳）: 機械学習(ML)における教師付き学習にはラベル付きデータセットが必要である。
さらなるリアルタイムデータ分類には、ラベリングの容易な方法論が必要である。
無線変調と信号分類は、軍事、商業、電子偵察、認知無線など、多くの分野で応用されている。
本稿では,アクティブラーニングフレームワークを用いたリアルタイム無線変調と信号クラスラベリングの課題を主に解決することを目的とする。
さらなる変調と信号分類は、KNN、SVM、Naive Bayesなどの機械学習アルゴリズムを用いて行われる。
アクティブラーニングは、最少量のデータサンプルをトレーニングすることで、異なるクラスに属するデータポイントのラベル付けを支援する。
SNR18dBの信号に対する能動学習アルゴリズムにより、精度が86%となる。
さらに、変調および信号分類のためのKNNベースのモデルは、SNRの範囲で良好に動作し、18dB信号に対して99.8%の精度が得られる。
この研究の新規性は、無線変調と信号クラスラベリングにアクティブラーニングを適用することである。
変調と信号クラスは、データサンプルからのカップル生成の助けを借りて、所定のタイミングでラベル付けされる。
関連論文リスト
- NMformer: A Transformer for Noisy Modulation Classification in Wireless Communication [19.225546116534165]
無線通信におけるノイズレベルの異なるチャネル変調画像を予測するために,NMformerという視覚変換器(ViT)モデルを提案する。
VTはRGB画像に最も有効であるため、変調信号から星座図を生成する。
提案モデルには,2種類の予測設定(分布内と分布外)がある。
論文 参考訳（メタデータ） (2024-10-30T21:10:12Z) - Convolutional Neural Networks for the classification of glitches in
gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。
どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。
また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文 参考訳（メタデータ） (2023-03-24T11:12:37Z) - Self-Supervised RF Signal Representation Learning for NextG Signal
Classification with Deep Learning [5.624291722263331]
自己教師付き学習は、無線周波数(RF)信号自体から有用な表現を学習することを可能にする。
自己教師型学習による信号表現の学習により,AMRのサンプル効率(精度向上に必要なラベル付きサンプル数)を大幅に向上できることを示す。
論文 参考訳（メタデータ） (2022-07-07T02:07:03Z) - 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) - Mixing Signals: Data Augmentation Approach for Deep Learning Based Modulation Recognition [5.816418334578875]
無線信号のAMRに対する混合信号に基づくデータ拡張戦略を提案する。
実験の結果,提案手法は深層学習に基づくAMRモデルの分類精度を向上させることができることがわかった。
論文 参考訳（メタデータ） (2022-04-05T07:40:16Z) - Learning-Based UE Classification in Millimeter-Wave Cellular Systems
With Mobility [67.81523988596841]
ミリ波携帯電話通信では、送信機と受信機のビームのアライメントを可能にするビームフォーミング手順が必要である。
効率的なビームトラッキングでは、トラフィックと移動パターンに応じてユーザーを分類することが有利である。
これまでの研究は、機械学習に基づくUE分類の効率的な方法を示してきた。
論文 参考訳（メタデータ） (2021-09-13T12:00:45Z) - Discriminative Singular Spectrum Classifier with Applications on
Bioacoustic Signal Recognition [67.4171845020675]
分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。
タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。
提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
論文 参考訳（メタデータ） (2021-03-18T11:01:21Z) - Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。
本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
論文 参考訳（メタデータ） (2020-05-10T06:11:13Z) - Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。
提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
論文 参考訳（メタデータ） (2020-02-11T21:08:06Z)
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。