論文の概要: RF Signal Classification with Synthetic Training Data and its Real-World Performance

• arxiv url: http://arxiv.org/abs/2206.12967v1
• Date: Sun, 26 Jun 2022 20:47:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-29 05:28:07.162575
• Title: RF Signal Classification with Synthetic Training Data and its Real-World Performance
• Title（参考訳）: 合成訓練データを用いたrf信号分類とその実世界性能
• Authors: Stefan Scholl
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural nets are a powerful method for the classification of radio signals in the electromagnetic spectrum. These neural nets are often trained with synthetically generated data due to the lack of diverse and plentiful real RF data. However, it is often unclear how neural nets trained on synthetic data perform in real-world applications. This paper investigates the impact of different RF signal impairments (such as phase, frequency and sample rate offsets, receiver filters, noise and channel models) modeled in synthetic training data with respect to the real-world performance. For that purpose, this paper trains neural nets with various synthetic training datasets with different signal impairments. After training, the neural nets are evaluated against real-world RF data collected by a software defined radio receiver in the field. This approach reveals which modeled signal impairments should be included in carefully designed synthetic datasets. The investigated showcase example can classify RF signals into one of 20 different radio signal types from the shortwave bands. It achieves an accuracy of up to 95 % in real-world operation by using carefully designed synthetic training data only.
• Abstract（参考訳）: ニューラルネットは、電磁スペクトルにおける電波信号の分類の強力な方法である。 これらのニューラルネットは、多種多様な実RFデータがないため、しばしば合成的に生成されたデータで訓練される。 しかし、合成データで訓練されたニューラルネットが現実世界のアプリケーションでどのように機能するかはよく分かっていない。 本稿では,実環境の性能に関する学習データにモデル化された異なるRF信号障害(位相,周波数,サンプルレートオフセット,受信フィルタ,ノイズ,チャネルモデルなど)の影響について検討する。 そこで本論文では,様々な信号障害を持つ合成学習データセットを用いてニューラルネットワークを訓練する。 トレーニング後のニューラルネットワークは、フィールド内のソフトウェア定義無線受信機によって収集された実世界のRFデータに対して評価される。 このアプローチは、慎重に設計された合成データセットにどのモデル化された信号障害を含めるべきかを明らかにする。 本研究の例では、RF信号を短波帯から20種類の無線信号の1つに分類することができる。 注意深く設計された合成訓練データのみを使用して、実世界の運用において最大95%の精度を達成する。

関連論文リスト

• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• 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)
• Synthetic Wave-Geometric Impulse Responses for Improved Speech Dereverberation [69.1351513309953]
  室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。 本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
  論文  参考訳（メタデータ） (2022-12-10T20:15:23Z)
• 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)
• 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)
• 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)
• Training neural networks with synthetic electrocardiograms [3.1583465114791105]
  本稿では,ウェアラブル型単一リード心電図モニターによって生成された信号を模倣する合成心電図を用いたニューラルネットワークのトレーニング手法を提案する。 トレーニング例毎に波形形状,RR間隔,雑音などの合成信号特性が変化する領域ランダム化を用いる。 合成データで訓練されたモデルは、実際のデータで訓練されたモデルと比較される。 実験では、異なるシードで堅牢なパフォーマンスを示し、テストセット固有のチューニングなしで異なるテストセットでトレーニング例を示します。
  論文  参考訳（メタデータ） (2021-11-11T12:39:33Z)
• MLReal: Bridging the gap between training on synthetic data and real data applications in machine learning [1.9852463786440129]
  本稿では,実際のデータ特徴を持つ合成データの教師付きトレーニングを強化するための新しいアプローチについて述べる。 トレーニング段階では、入力データは合成ドメインから、自動相関データは実ドメインからである。 推論/アプリケーション段階では、入力データは実サブセットドメインからであり、自己相関区間の平均は合成データサブセットドメインからである。
  論文  参考訳（メタデータ） (2021-09-11T14:43:34Z)
• NeRF in detail: Learning to sample for view synthesis [104.75126790300735]
  ニューラルレイディアンス場(NeRF)法は目覚ましい新しいビュー合成を実証している。 この作業では、バニラ粗大なアプローチの明確な制限に対処します -- パフォーマンスに基づいており、手元にあるタスクのエンドツーエンドをトレーニングしていません。 我々は、サンプルの提案と、そのネットワークにおける重要性を学習し、そのニューラルネットワークアーキテクチャに対する複数の代替案を検討し比較する、微分可能なモジュールを導入する。
  論文  参考訳（メタデータ） (2021-06-09T17:59:10Z)
• 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)

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。