論文の概要: RF Signal Transformation and Classification using Deep Neural Networks
- arxiv url: http://arxiv.org/abs/2204.03564v1
- Date: Wed, 6 Apr 2022 05:01:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-09 09:19:24.767951
- Title: RF Signal Transformation and Classification using Deep Neural Networks
- Title（参考訳）: ディープニューラルネットワークを用いたRF信号変換と分類
- Authors: Umar Khalid, Nazmul Karim, Nazanin Rahnavard
- Abstract要約: コンピュータビジョンや自然言語処理タスクのために設計されたディープニューラルネットワーク(DNN)は、RFデータセットに直接適用することはできない。
本稿では,進化的変換手法を導入して,市販のDNNに適したデータ型に変換することを提案する。
さらに,簡単な5層畳み込みニューラルネットワークアーキテクチャ (CONV-5) を提案する。
- 参考スコア（独自算出の注目度）: 11.200006239443416
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep neural networks (DNNs) designed for computer vision and natural language
processing tasks cannot be directly applied to the radio frequency (RF)
datasets. To address this challenge, we propose to convert the raw RF data to
data types that are suitable for off-the-shelf DNNs by introducing a
convolutional transform technique. In addition, we propose a simple 5-layer
convolutional neural network architecture (CONV-5) that can operate with raw RF
I/Q data without any transformation. Further, we put forward an RF dataset,
referred to as RF1024, to facilitate future RF research. RF1024 consists of 8
different RF modulation classes with each class having 1000/200 training/test
samples. Each sample of the RF1024 dataset contains 1024 complex I/Q values.
Lastly, the experiments are performed on the RadioML2016 and RF1024 datasets to
demonstrate the improved classification performance.
- Abstract（参考訳）: コンピュータビジョンや自然言語処理タスクのために設計されたディープニューラルネットワーク(DNN)は、RFデータセットに直接適用することはできない。
この課題に対処するため、我々は畳み込み変換技術を導入し、既成のDNNに適したデータ型に変換することを提案する。
さらに,簡単な5層畳み込みニューラルネットワークアーキテクチャ (CONV-5) を提案する。
さらに,将来のRF研究を促進するため,RF1024と呼ばれるRFデータセットを作成した。
RF1024は8つの異なるRF変調クラスから構成され、各クラスは1000/200のトレーニング/テストサンプルを持つ。
RF1024データセットの各サンプルは、1024の複雑なI/Q値を含む。
最後に、RadioML2016とRF1024データセットで実験を行い、改良された分類性能を示す。
関連論文リスト
- RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
本稿では、新しいデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。
まず、干渉除去アルゴリズムの開発と解析の基礎となる洞察に富んだ信号モデルを提案する。
第2に,さまざまなRF信号とコードテンプレートを備えた公開データセットであるRF Challengeを紹介する。
第3に,UNetやWaveNetなどのアーキテクチャにおいて,新しいAIに基づく拒絶アルゴリズムを提案し,その性能を8種類の信号混合タイプで評価する。
論文 参考訳（メタデータ） (2024-09-13T13:53:41Z) - 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) - In-Sensor Radio Frequency Computing for Energy-Efficient Intelligent
Radar [8.041399176135178]
本稿では,大規模RFNNを,その精度をほぼ保ちつつ,コンパクトなRFNNに変換することを提案する。
我々は、ロバストTT-RFNN(RTT-RFNN)をTT-RFNNに組み込むことにより、ロバストTT-RFNN(RTT-RFNN)を構築する。
MNIST と CIFAR-10 データセットを用いた実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-12-16T06:21:42Z) - DReg-NeRF: Deep Registration for Neural Radiance Fields [66.69049158826677]
我々は,人間の介入なしにオブジェクト中心のアノテートシーンにおけるNeRF登録問題を解くためにDReg-NeRFを提案する。
提案手法は,SOTAポイントクラウド登録方式を大きなマージンで打ち負かす。
論文 参考訳（メタデータ） (2023-08-18T08:37:49Z) - MEIL-NeRF: Memory-Efficient Incremental Learning of Neural Radiance
Fields [49.68916478541697]
我々は、NeRF(MEIL-NeRF)のためのメモリ効率の良いインクリメンタル学習アルゴリズムを開発した。
MEIL-NeRFはNeRF自体からインスピレーションを得て、ニューラルネットワークがクエリとして与えられたピクセルRGB値を提供するメモリとして機能する。
その結果、MEIL-NeRFはメモリ消費と競合性能を一定に示すことができた。
論文 参考訳（メタデータ） (2022-12-16T08:04:56Z) - NeRF-RPN: A general framework for object detection in NeRFs [54.54613914831599]
NeRF-RPNは、シーン内のオブジェクトのすべてのバウンディングボックスを検出することを目的としている。
NeRF-RPNは一般的なフレームワークであり、クラスラベルなしでオブジェクトを検出できる。
論文 参考訳（メタデータ） (2022-11-21T17:02:01Z) - Classification of multi-frequency RF signals by extreme learning, using
magnetic tunnel junctions as neurons and synapses [46.000685134136525]
磁気トンネル接合は並列に複数の周波数でRF入力を処理可能であることを示す。
極端学習と呼ばれるバックプロパゲーションフリーの手法を用いて、RF信号で符号化されたノイズの多い画像を分類する。
これらの結果は、組み込みの高周波人工知能にとって重要なステップである。
論文 参考訳（メタデータ） (2022-11-02T14:09:42Z) - RF Signal Classification with Synthetic Training Data and its Real-World
Performance [0.0]
本稿では,実環境における実環境性能に対する合成訓練データにモデル化された異なるRF信号障害の影響について検討する。
念入りに設計された合成トレーニングデータのみを使用することで、実世界の操作において最大95%の精度を達成できる。
論文 参考訳（メタデータ） (2022-06-26T20:47:33Z) - Comprehensive RF Dataset Collection and Release: A Deep Learning-Based
Device Fingerprinting Use Case [10.698553177585973]
我々は、USRP B210受信機を用いて25種類のLoRa対応IoT伝送デバイスから収集した大規模なRFフィンガープリントデータセットを提示、リリースする。
我々のデータセットは、多数のSigMF準拠バイナリファイルからなり、I/Q時間領域のサンプルと対応するFFTベースのLoRa送信ファイルで構成されている。
論文 参考訳（メタデータ） (2022-01-06T19:07:57Z) - RFGAN: RF-Based Human Synthesis [9.709890321556204]
本稿では,新しいクロスモーダルRFGANモデルを導入することにより,微細な光学的人間の画像を生成することを目的とする。
我々の知る限りでは、RF信号に基づいて光学画像を生成するのはこれが初めてである。
論文 参考訳（メタデータ） (2021-12-07T14:34:35Z) - iNeRF: Inverting Neural Radiance Fields for Pose Estimation [68.91325516370013]
Neural RadianceField(NeRF)を「反転」してメッシュフリーポーズ推定を行うフレームワークiNeRFを紹介します。
NeRFはビュー合成のタスクに極めて有効であることが示されている。
論文 参考訳（メタデータ） (2020-12-10T18:36:40Z)
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。