論文の概要: Deep Learning for Spectral Filling in Radio Frequency Applications
- arxiv url: http://arxiv.org/abs/2204.01536v1
- Date: Thu, 31 Mar 2022 20:31:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-08 07:46:57.669024
- Title: Deep Learning for Spectral Filling in Radio Frequency Applications
- Title(参考訳): 高周波応用におけるスペクトル充填の深層学習
- Authors: Matthew Setzler, Elizabeth Coda, Jeremiah Rounds, Michael Vann, and
Michael Girard
- Abstract要約: 本稿では、スペクトルフィリングにディープニューラルネットワークを適用する方法を提案する。
我々は、付加的なメッセージの形で、固定変調信号の「周辺」として、追加情報を送るための新しい変調スキームを学習する。
これにより、帯域幅を増大させることなく、チャネル容量を効果的に増やすことができる。
- 参考スコア(独自算出の注目度): 0.7829352305480285
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Due to the Internet of Things (IoT) proliferation, Radio Frequency (RF)
channels are increasingly congested with new kinds of devices, which carry
unique and diverse communication needs. This poses complex challenges in modern
digital communications, and calls for the development of technological
innovations that (i) optimize capacity (bitrate) in limited bandwidth
environments, (ii) integrate cooperatively with already-deployed RF protocols,
and (iii) are adaptive to the ever-changing demands in modern digital
communications. In this paper we present methods for applying deep neural
networks for spectral filling. Given an RF channel transmitting digital
messages with a pre-established modulation scheme, we automatically learn novel
modulation schemes for sending extra information, in the form of additional
messages, "around" the fixed-modulation signals (i.e., without interfering with
them). In so doing, we effectively increase channel capacity without increasing
bandwidth. We further demonstrate the ability to generate signals that closely
resemble the original modulations, such that the presence of extra messages is
undetectable to third-party listeners. We present three computational
experiments demonstrating the efficacy of our methods, and conclude by
discussing the implications of our results for modern RF applications.
- Abstract(参考訳): モノのインターネット(IoT)の普及により、無線周波数(RF)チャネルは、ユニークで多様な通信ニーズを持つ新しい種類のデバイスで混雑してきている。
これは現代のデジタル通信において複雑な課題を生じさせ、技術革新の展開を要求する。
(i)限られた帯域幅環境で容量(ビットレート)を最適化する。
(II)既にデプロイ済みのRFプロトコルと協調して統合し、
(iii)現代のデジタル通信における需要の変化に適応する。
本稿では,深層ニューラルネットワークをスペクトル充填に適用する手法を提案する。
予め確立された変調方式でデジタルメッセージを伝送するRFチャネルが与えられると、固定変調信号(すなわち干渉することなく)を「周り」に付加する形で、追加情報を送るための新しい変調スキームを自動的に学習する。
これにより、帯域幅を増やすことなく、効果的にチャネル容量を増やすことができる。
さらに,メッセージの存在がサードパーティのリスナには検出できないような,元の変調によく似た信号を生成できることを示す。
本手法の有効性を実証する3つの計算実験を行い,最近のrf応用における結果の意義について考察した。
関連論文リスト
- Deep-Learned Compression for Radio-Frequency Signal Classification [0.49109372384514843]
次世代の細胞概念は、大量の高周波サンプルの処理に依存している。
RF信号の複雑な値のサンプルを圧縮する深層学習圧縮モデルHQARFを提案する。
RF信号の変調クラスを推定するために訓練されたAIモデルの性能に対するHQARFの効果を評価する。
論文 参考訳(メタデータ) (2024-03-05T17:42:39Z) - Generative AI for Physical Layer Communications: A Survey [76.61956357178295]
生成人工知能(GAI)は、デジタルコンテンツ生産の効率を高める可能性がある。
複雑なデータ分散を分析するGAIの能力は、無線通信にとって大きな可能性を秘めている。
本稿では、信号分類、チャネル推定、等化といった従来の問題から、インテリジェントな反射面やジョイントソースチャネル符号化といった新たなトピックまで、GAIの物理層での通信への応用に関する包括的な調査を行う。
論文 参考訳(メタデータ) (2023-12-09T15:20:56Z) - Diff-GO: Diffusion Goal-Oriented Communications to Achieve Ultra-High
Spectrum Efficiency [46.92279990929111]
本研究では,拡散モデルに基づく生成AIを用いた超効率的な通信設計を提案する。
拡散モデルの訓練のための新しい低次元ノイズ空間を提案し,通信オーバーヘッドを大幅に低減する。
実験結果から,提案したノイズ空間と拡散に基づく生成モデルにより,伝送画像信号の超高スペクトル効率と精度の回復が得られた。
論文 参考訳(メタデータ) (2023-11-13T17:52:44Z) - Deep Reinforcement Learning for Interference Management in UAV-based 3D
Networks: Potentials and Challenges [137.47736805685457]
チャネル情報を知らなくても干渉を効果的に軽減できることを示す。
干渉を利用することにより、提案された解決策は民間UAVの継続的な成長を可能にする。
論文 参考訳(メタデータ) (2023-05-11T18:06:46Z) - Data-Driven Blind Synchronization and Interference Rejection for Digital
Communication Signals [98.95383921866096]
本研究では,データ駆動型深層学習手法の可能性について検討した。
本研究では,高分解能時間構造(非定常性)の取得が性能向上につながることを示す。
既製のNNと古典的検出と干渉除去の両方で改善可能なドメインインフォームドニューラルネットワーク(NN)の設計を提案する。
論文 参考訳(メタデータ) (2022-09-11T14:10:37Z) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳(メタデータ) (2022-05-22T12:16:43Z) - Multi-task Learning Approach for Modulation and Wireless Signal
Classification for 5G and Beyond: Edge Deployment via Model Compression [1.218340575383456]
将来的な通信網は、異種無線デバイスの成長に対応するために、少ないスペクトルに対処する必要がある。
我々は、深層ニューラルネットワークに基づくマルチタスク学習フレームワークの可能性を利用して、変調と信号分類タスクを同時に学習する。
公共利用のための包括的ヘテロジニアス無線信号データセットを提供する。
論文 参考訳(メタデータ) (2022-02-26T14:51:02Z) - 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) - Digital Signal Processing Using Deep Neural Networks [2.624902795082451]
本稿では、RF領域の問題を解決するために特別に設計されたカスタムディープニューラルネットワーク(DNN)を提案する。
本モデルは,自動エンコーダ畳み込みネットワークと変圧器ネットワークを組み合わせることで,特徴抽出と注意のメカニズムを活用する。
また,DNNをトレーニングし,自動変調分類を行い,伝送路効果を推測・補正し,ベースバンドRF信号を直接復調することのできる,新しいオープンデータセットと物理データ拡張モデルを提案する。
論文 参考訳(メタデータ) (2021-09-21T18:59:32Z) - ChaRRNets: Channel Robust Representation Networks for RF Fingerprinting [0.0]
RFフィンガープリントのための複雑値畳み込みニューラルネットワーク(CNN)を提案する。
我々は,深層学習(dl)技術を用いた無線iotデバイスの指紋認証の問題に注目する。
論文 参考訳(メタデータ) (2021-05-08T03:03:21Z) - Real-Time Radio Technology and Modulation Classification via an LSTM
Auto-Encoder [29.590446724625693]
雑音の多い無線信号から安定かつロバストな特徴を自動的に抽出するLSTMデノケーションオートエンコーダに基づく学習フレームワークを提案する。
現実的な合成と無線データのオーバー・ザ・エアにより,提案手法が受信した無線信号を確実に効率的に分類できることが実証された。
論文 参考訳(メタデータ) (2020-11-16T21:41:31Z)
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。