論文の概要: Changepoint Detection for Real-Time Spectrum Sharing Radar

• arxiv url: http://arxiv.org/abs/2207.06409v1
• Date: Thu, 30 Jun 2022 18:55:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-17 17:11:13.698761
• Title: Changepoint Detection for Real-Time Spectrum Sharing Radar
• Title（参考訳）: リアルタイムスペクトル共有レーダの切替点検出
• Authors: Samuel Haug, Austin Egbert, Robert J. Marks II, Charles Baylis, Anthony Martone
• Abstract要約: レーダーは、混雑する無線周波数の干渉を避けるために適応しなければならない。 変化点検出は感覚と予測アルゴリズムに適用され、モデルの精度が向上する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radar must adapt to changing environments, and we propose changepoint detection as a method to do so. In the world of increasingly congested radio frequencies, radars must adapt to avoid interference. Many radar systems employ the prediction action cycle to proactively determine transmission mode while spectrum sharing. This method constructs and implements a model of the environment to predict unused frequencies, and then transmits in this predicted availability. For these selection strategies, performance is directly reliant on the quality of the underlying environmental models. In order to keep up with a changing environment, these models can employ changepoint detection. Changepoint detection is the identification of sudden changes, or changepoints, in the distribution from which data is drawn. This information allows the models to discard "garbage" data from a previous distribution, which has no relation to the current state of the environment. In this work, bayesian online changepoint detection (BOCD) is applied to the sense and predict algorithm to increase the accuracy of its models and improve its performance. In the context of spectrum sharing, these changepoints represent interferers leaving and entering the spectral environment. The addition of changepoint detection allows for dynamic and robust spectrum sharing even as interference patterns change dramatically. BOCD is especially advantageous because it enables online changepoint detection, allowing models to be updated continuously as data are collected. This strategy can also be applied to many other predictive algorithms that create models in a changing environment.
• Abstract（参考訳）: レーダーは環境の変化に適応しなくてはならない。 電波の混雑が高まる世界では、レーダーは干渉を避けるために適応しなければならない。 多くのレーダーシステムは、スペクトル共有中に送信モードを積極的に決定するために予測動作サイクルを使用している。 本手法は、未使用周波数を予測するための環境モデルを構築し、実装し、この予測可用性で送信する。 これらの選択戦略では、パフォーマンスは基盤となる環境モデルの品質に直接依存する。 変化する環境に追随するために、これらのモデルは変更点検出を採用できる。 変化点検出(changepoint detection)は、データが引き出される分布における突然の変化や変化点の識別である。 この情報により、モデルは環境の現在の状態とは無関係な以前の分布から"ガーベッジ"データを破棄することができる。 本研究では,感覚と予測アルゴリズムにベイズ的オンライン変化点検出(BOCD)を適用し,モデルの精度を高め,性能を向上させる。 スペクトル共有の文脈では、これらの変化点はスペクトル環境を行き来する干渉者を表す。 変更点検出の追加により、干渉パターンが劇的に変化しても、動的かつロバストなスペクトル共有が可能になる。 BOCDは、オンラインの変更点検出を可能にし、データが収集されるとモデルを継続的に更新できるため、特に有利である。 この戦略は、変化する環境でモデルを生成する他の多くの予測アルゴリズムにも適用できる。

関連論文リスト

• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• RadarGNN: Transformation Invariant Graph Neural Network for Radar-based Perception [0.0]
  点自体の情報だけでなく,それらの関係も利用する新しいグラフニューラルネットワークが提案されている。 このモデルは、グラフの端に埋め込まれたポイント特徴とポイントペア特徴の両方を考慮するように設計されている。 RadarGNNモデルは、RadarScenesデータセットで以前のすべてのメソッドより優れています。
  論文  参考訳（メタデータ） (2023-04-13T13:57:21Z)
• Assessing Domain Gap for Continual Domain Adaptation in Object Detection [28.323952459461243]
  検出器は、日時、天気、季節などの環境要因による外観の変化に適応しなければならない。 これらの変化を組み込むために検出器を継続的に適応させることは有望な解決策であるが、計算に費用がかかる可能性がある。 提案手法は,現在のトレーニングデータと同じ分布を持たない新しいデータを用いて,必要なときにのみ検出器を選択的に適応させることである。
  論文  参考訳（メタデータ） (2023-02-21T02:07:13Z)
• Deep learning model solves change point detection for multiple change types [69.77452691994712]
  変更点検出は、データ分散の急激な障害をキャッチすることを目的としている。 本稿では,マルチディストリビューションシナリオにおけるアプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-15T09:44:21Z)
• Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection [107.52026281057343]
  周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。 最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。 第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
  論文  参考訳（メタデータ） (2021-12-16T04:07:01Z)
• Active multi-fidelity Bayesian online changepoint detection [20.54248927431526]
  変更点を検出するオンラインアルゴリズム、あるいは時系列の振る舞いの急激なシフトは、限られたリソースで展開されることが多い。 この測定の質や「忠実さ」に対して環境計測を収集するコストを取引することは有益かもしれない。 本論文では,どのデータを収集すべきか,コストに敏感な決定を下すマルチファイダリティアプローチを提案する。
  論文  参考訳（メタデータ） (2021-03-26T02:23:54Z)
• Partially Observable Online Change Detection via Smooth-Sparse Decomposition [16.8028358824706]
  本研究は,センサ容量の制限により,各センシング時点におけるデータストリームのサブセットのみを観測できる,疎度な変化を伴う高次元データストリームのオンライン変化検出について考察する。 一方、検出方式は、部分的に観測可能なデータを扱うことができ、一方、スパース変化に対する効率的な検出能力を有するべきである。 本稿では,CDSSDと呼ばれる新しい検出手法を提案する。特にスムーズな分解によるスムーズな変化を伴う高次元データの構造について述べる。
  論文  参考訳（メタデータ） (2020-09-22T16:03:04Z)
• Change Point Detection in Time Series Data using Autoencoders with a Time-Invariant Representation [69.34035527763916]
  変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。 近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。 我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
  論文  参考訳（メタデータ） (2020-08-21T15:03:21Z)

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。