論文の概要: Source Separation of Unknown Numbers of Single-Channel Underwater
Acoustic Signals Based on Autoencoders
- arxiv url: http://arxiv.org/abs/2207.11749v1
- Date: Sun, 24 Jul 2022 14:04:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-26 13:56:14.534816
- Title: Source Separation of Unknown Numbers of Single-Channel Underwater
Acoustic Signals Based on Autoencoders
- Title（参考訳）: オートエンコーダに基づく単一チャネル水中音響信号の未知数の音源分離
- Authors: Qinggang Sun and Kejun Wang
- Abstract要約: 単一チャネル水中音響信号の分離は、実用上重要な課題である。
本稿では,目標への出力のアライメントによって引き起こされる置換問題を回避するために,一定数の出力チャネルを持つ解を提案する。
放射音の混合を模擬した実験により, 提案手法は, 既知信号数と同等の分離性能が得られることを示した。
- 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: The separation of single-channel underwater acoustic signals is a challenging
problem with practical significance. In view of the signal separation problem
with unknown numbers of signals, we propose a solution with a fixed number of
output channels, enabling it to avoid the dimensional disaster caused by the
permutation problem induced by the alignment of outputs to targets.
Specifically, we modify two algorithms developed for known numbers of signals
based on autoencoders, which are highly explainable. We also propose a new
performance evaluation method for situations with mute channels. Experiments
conducted on simulated mixtures of radiated ship noise show that the proposed
solution can achieve similar separation performance to that attained with a
known number of signals. The mute channel output is also good.
- Abstract（参考訳）: 単一チャネル水中音響信号の分離は、実用上重要な課題である。
信号数不明の信号分離問題を考慮し, 目標への出力のアライメントによって引き起こされる置換問題による次元的災害を回避するために, 一定数の出力チャネルを持つ解を提案する。
具体的には,未知数の信号に対して開発された2つのアルゴリズムを自動エンコーダに基づいて修正する。
また,ミュートチャネルのある状況に対する新しい性能評価手法を提案する。
放射された船舶騒音の混合混合実験により, 提案手法は既知の信号数で得られたものと同様の分離性能が得られることがわかった。
ミュートチャネル出力も良好である。
関連論文リスト
- Suppression of noise in separation estimation of optical sources with spatial-mode demultiplexing [0.0]
空間モード分解による超解像は急速に劣化する。
本稿では,騒音の破壊的影響を抑制するための公式な手順を提案する。
これにより、変位演算子によって生成される特別な種類のノイズに対する超解像の回復が可能となる。
論文 参考訳（メタデータ） (2024-07-02T07:08:26Z) - Deep-Learning-Based Channel Estimation for Distributed MIMO with 1-bit Radio-Over-Fiber Fronthaul [11.370869277334227]
分散マルチインプット・マルチアウトプット(MIMO)アーキテクチャにおけるパイロット支援・アップリンクチャネル推定の問題点を考察する。
我々は最近Nguyenらによって提案されたディープラーニングに基づくチャネル推定アルゴリズムを適用した。
提案手法は,Bussgang線形最小二乗誤差チャネル推定器よりも有意に優れていることを示す。
論文 参考訳（メタデータ） (2024-06-17T08:38:29Z) - Joint Channel Estimation and Feedback with Masked Token Transformers in
Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。
エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。
提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文 参考訳（メタデータ） (2023-06-08T06:15:17Z) - On Neural Architectures for Deep Learning-based Source Separation of
Co-Channel OFDM Signals [104.11663769306566]
周波数分割多重化(OFDM)信号を含む単一チャネル音源分離問題について検討する。
我々はOFDM構造からの洞察に基づいて、ネットワークパラメータ化に対する重要なドメインインフォームド修正を提案する。
論文 参考訳（メタデータ） (2023-03-11T16:29:13Z) - Shuffled Multi-Channel Sparse Signal Recovery [16.333381000882486]
サンプルと各チャネル間の通信が途絶えた信号再構成問題として機能する。
この問題は構造化されたラベルなしセンシング問題と等価であることを示し、ユニークなリカバリのための十分な条件を確立する。
本稿では,スパース信号の回復と2チャネルの場合の線形回帰を結合した頑健な再構成手法を提案する。
論文 参考訳（メタデータ） (2022-12-14T17:46:17Z) - 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) - Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。
一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。
本稿では2つの新しい推定法を提案する。
論文 参考訳（メタデータ） (2021-09-06T13:42:32Z) - Deep Residual Echo Suppression with A Tunable Tradeoff Between Signal
Distortion and Echo Suppression [13.558688470594676]
UNetニューラルネットワークは、線形音響エコーキャンセラの出力をスペクトル領域の所望の信号にマッピングする。
このシステムは136万のパラメータを使用し、毎秒1.6ギガ浮動小数点演算と10メガバイトのメモリを必要とする。
論文 参考訳（メタデータ） (2021-06-25T09:49:18Z) - Deep Learning Based Equalizer for MIMO-OFDM Systems with Insufficient
Cyclic Prefix [11.11468231197267]
特に、信号検出性能は、キャリア間干渉(ICI)とシンボル間干渉(ISI)によって著しく損なわれている。
この問題に対処するために,最大確率検出を近似するために,深層学習に基づく等化器を提案する。
その結果,提案手法は従来の2つのベースライン方式と比較して,大幅な性能向上を実現可能であることがわかった。
論文 参考訳（メタデータ） (2020-07-23T02:21:24Z) - Capturing scattered discriminative information using a deep architecture
in acoustic scene classification [49.86640645460706]
本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。
我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。
2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
論文 参考訳（メタデータ） (2020-07-09T08:32:06Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳（メタデータ） (2020-02-14T06:58:27Z)
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。