論文の概要: Deep neural network goes lighter: A case study of deep compression techniques on automatic RF modulation recognition for Beyond 5G networks

• arxiv url: http://arxiv.org/abs/2204.04390v1
• Date: Sat, 9 Apr 2022 04:51:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-12 17:05:09.806629
• Title: Deep neural network goes lighter: A case study of deep compression techniques on automatic RF modulation recognition for Beyond 5G networks
• Title（参考訳）: ディープニューラルネットワークがより軽量になる:Beyond 5Gネットワークの自動RF変調認識における深部圧縮手法の事例研究
• Authors: Anu Jagannath, Jithin Jagannath, Yanzhi Wang, and Tommaso Melodia
• Abstract要約: このレターは、自動RF変調認識のための最先端の深部圧縮・加速技術について、詳細なビューを提供する。 軽量ニューラルネットワークは、リソース制約のあるプラットフォーム上でエッジ計算能力を維持するための鍵である。
• 参考スコア（独自算出の注目度）: 34.71271274267469
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automatic RF modulation recognition is a primary signal intelligence (SIGINT) technique that serves as a physical layer authentication enabler and automated signal processing scheme for the beyond 5G and military networks. Most existing works rely on adopting deep neural network architectures to enable RF modulation recognition. The application of deep compression for the wireless domain, especially automatic RF modulation classification, is still in its infancy. Lightweight neural networks are key to sustain edge computation capability on resource-constrained platforms. In this letter, we provide an in-depth view of the state-of-the-art deep compression and acceleration techniques with an emphasis on edge deployment for beyond 5G networks. Finally, we present an extensive analysis of the representative acceleration approaches as a case study on automatic radar modulation classification and evaluate them in terms of the computational metrics.
• Abstract（参考訳）: 自動RF変調認識(Automatic RF modulation recognition)は、物理層認証機構として機能し、5G以上の通信網や軍用ネットワークのための信号処理方式として機能する一次信号インテリジェンス(SIGINT)技術である。 既存の研究の多くは、RF変調認識を可能にするためにディープニューラルネットワークアーキテクチャを採用することに依存している。 無線領域、特に自動RF変調分類への深部圧縮の適用は、まだ初期段階にある。 軽量ニューラルネットワークは、リソース制約のあるプラットフォーム上でエッジ計算能力を維持するための鍵となる。 本稿では,5gネットワークのエッジ配置に重点を置いた,最先端のディープ圧縮とアクセラレーション技術の詳細なビューを提供する。 最後に,自動レーダ変調分類のケーススタディとして代表加速度法を広範囲に分析し,数値メトリクスを用いて評価する。

関連論文リスト

• Enhanced Real-Time Threat Detection in 5G Networks: A Self-Attention RNN Autoencoder Approach for Spectral Intrusion Analysis [8.805162150763847]
  本稿では,自己認識機構とリカレントニューラルネットワーク(RNN)に基づくオートエンコーダを統合する実験モデルを提案する。 本手法は, 時系列解析, プロセス・イン・フェイズ, および二次(I/Q)サンプルを用いて, ジャミング攻撃の可能性を示す不規則性を同定する。 モデルアーキテクチャは自己アテンション層で拡張され、RNNオートエンコーダの機能を拡張する。
  論文  参考訳（メタデータ） (2024-11-05T07:01:15Z)
• DT-DDNN: A Physical Layer Security Attack Detector in 5G RF Domain for CAVs [11.15939066175832]
  妨害攻撃は5Gネットワークに重大なリスクをもたらす。 本研究は, CAVネットワークにおけるジャマー検出のための, 深層学習に基づく新しい手法を提案する。 提案手法は, 余剰低妨害電力の96.4%検出率を実現する。
  論文  参考訳（メタデータ） (2024-03-05T04:29:31Z)
• Reconfigurable Intelligent Surface-assisted Classification of Modulations using Deep Learning [0.0]
  本稿では,人工知能を用いたRIS支援ディジタル分類手法を提案する。 我々は、デジタル変調を分類するために畳み込みニューラルネットワークを訓練する。 提案手法の精度は特に低レベルのSNRにおいて顕著である。
  論文  参考訳（メタデータ） (2022-09-17T18:45:03Z)
• 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)
• Classification of Intra-Pulse Modulation of Radar Signals by Feature Fusion Based Convolutional Neural Networks [5.199765487172328]
  本研究では、パルス内変調型レーダ信号を自動的に認識するディープラーニングに基づく新しい手法を提案する。 提案するFF-CNN技術は,現在の最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-19T20:18:17Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• 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)
• ALF: Autoencoder-based Low-rank Filter-sharing for Efficient Convolutional Neural Networks [63.91384986073851]
  オートエンコーダを用いた低ランクフィルタ共有技術(ALF)を提案する。 ALFは、ネットワークパラメータの70%、オペレーションの61%、実行時間の41%を削減し、精度の低下を最小限にしている。
  論文  参考訳（メタデータ） (2020-07-27T09:01:22Z)
• Cognitive Radio Network Throughput Maximization with Deep Reinforcement Learning [58.44609538048923]
  RF-CRN(Radio Frequency powered Cognitive Radio Networks)は、IoT(Internet of Things)などの最新のネットワークの目と耳である可能性が高い。 自律的と考えるには、RF駆動のネットワークエンティティは、ネットワーク環境の不確実性の下でネットワークスループットを最大化するために、ローカルで決定する必要がある。 本稿では,この欠点を克服し,無線ゲートウェイがネットワークスループットを最大化するための最適なポリシーを導出できるように,深層強化学習を提案する。
  論文  参考訳（メタデータ） (2020-07-07T01:49:07Z)

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。