論文の概要: Low Complexity Classification Approach for Faster-than-Nyquist (FTN)
Signalling Detection
- arxiv url: http://arxiv.org/abs/2208.10637v1
- Date: Mon, 22 Aug 2022 22:20:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 14:15:00.158294
- Title: Low Complexity Classification Approach for Faster-than-Nyquist (FTN)
Signalling Detection
- Title（参考訳）: 高速Nyquist(FTN)信号検出のための低複雑性分類手法
- Authors: Sina Abbasi and Ebrahim Bedeer
- Abstract要約: より高速なニキスト信号(FTN)はスペクトル効率(SE)を向上させるが、高い計算複雑性を犠牲にすることができる。
近年の物理層問題(PHY)問題におけるMLの成功により,FTN信号の検出複雑性の低減にMLを用いることが検討された。
FTN信号のISI構造を利用して,N_p ll N$-dimensional空間の分類処理を行う低複雑性分類器(LCC)を提案する。
- 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: Faster-than-Nyquist (FTN) signaling can improve the spectral efficiency (SE);
however, at the expense of high computational complexity to remove the
introduced intersymbol interference (ISI). Motivated by the recent success of
ML in physical layer (PHY) problems, in this paper we investigate the use of ML
in reducing the detection complexity of FTN signaling. In particular, we view
the FTN signaling detection problem as a classification task, where the
received signal is considered as an unlabeled class sample that belongs to a
set of all possible classes samples. If we use an off-shelf classifier, then
the set of all possible classes samples belongs to an $N$-dimensional space,
where $N$ is the transmission block length, which has a huge computational
complexity. We propose a low-complexity classifier (LCC) that exploits the ISI
structure of FTN signaling to perform the classification task in $N_p \ll
N$-dimension space. The proposed LCC consists of two stages: 1) offline
pre-classification that constructs the labeled classes samples in the
$N_p$-dimensional space and 2) online classification where the detection of the
received samples occurs. The proposed LCC is extended to produce soft-outputs
as well. Simulation results show the effectiveness of the proposed LCC in
balancing performance and complexity.
- Abstract（参考訳）: より高速なニキスト信号(FTN)はスペクトル効率(SE)を改善することができるが、導入されたシンボル間干渉(ISI)を取り除くために高い計算複雑性を犠牲にする。
本稿では,近年の物理層問題(PHY)問題におけるMLの成功に触発され,FTN信号の検出複雑性の低減にMLを用いることを検討した。
特に、FTN信号検出問題を分類タスクとみなし、受信した信号は、全ての可能なクラスサンプルの集合に属するラベルなしのクラスサンプルとみなす。
オフシェルフ分類器を使用する場合、すべての可能なクラスサンプルのセットは、計算量が非常に複雑である伝送ブロック長が$n$であるような、$n$次元空間に属する。
FTN信号のISI構造を利用して,N_p \ll N$-dimension空間の分類処理を行う低複雑性分類器(LCC)を提案する。
提案されたlccは2つの段階からなる。
1) $n_p$-dimensional空間でラベル付きクラスサンプルを構成するオフライン事前分類と
2) 受信したサンプルの検出を行うオンライン分類。
提案したLCCはソフトアウトプットを生成するために拡張されている。
シミュレーション結果は,LCCが性能と複雑性のバランスをとる上での有効性を示した。
関連論文リスト
- Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。
KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。
RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
論文 参考訳（メタデータ） (2024-09-09T13:56:22Z) - Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。
我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
論文 参考訳（メタデータ） (2024-03-08T18:50:19Z) - LSTM and CNN application for core-collapse supernova search in
gravitational wave real data [0.0]
コア崩壊型超新星(CCSNe)は、銀河系や近隣の銀河の干渉計によって検出される重力波信号を放出することが期待されている。
実データを用いた各種CCSNeシミュレート信号と雑音過渡音のマルチラベル分類のための機械学習(ML)の可能性を示す。
論文 参考訳（メタデータ） (2023-01-23T12:12:33Z) - Deep Learning-based List Sphere Decoding for Faster-than-Nyquist (FTN)
Signaling Detection [0.0]
Faster-than-Nyquist (FTN) シグナルは非正規伝送技術候補である。
本稿では,深層学習(DL)を用いたFTN信号の検出複雑性の低減について検討する。
論文 参考訳（メタデータ） (2022-04-15T17:46:03Z) - Towards Sample-Optimal Compressive Phase Retrieval with Sparse and
Generative Priors [59.33977545294148]
O(k log L)$サンプルは振幅に基づく経験損失関数を最小化する任意のベクトルに信号が近いことを保証するのに十分であることを示す。
この結果はスパース位相検索に適応し、基底信号が$s$-sparseおよび$n$-dimensionalである場合、$O(s log n)$サンプルは同様の保証に十分であることを示す。
論文 参考訳（メタデータ） (2021-06-29T12:49:54Z) - iNNformant: Boundary Samples as Telltale Watermarks [68.8204255655161]
4つの試験されたマイクロアーキテクチャのいずれかを識別できる境界サンプルの集合を生成することができることを示す。
これらのセットは70dBよりも悪いピーク信号-雑音比のサンプルを含まないように構築することができる。
論文 参考訳（メタデータ） (2021-06-14T11:18:32Z) - Object Detection Made Simpler by Eliminating Heuristic NMS [70.93004137521946]
単純なNMSのないエンドツーエンドのオブジェクト検出フレームワークを示す。
検出精度は元の1段検出器と比べて同等か、さらに向上した。
論文 参考訳（メタデータ） (2021-01-28T02:38:29Z) - Low Complexity Neural Network Structures for Self-Interference
Cancellation in Full-Duplex Radio [21.402093766480746]
計算複雑性を低減したSI信号のモデリングには,2つの新しい低複雑性ニューラルネットワーク(NN)が提案されている。
2つの構造はラダーワイドグリッド構造(LWGS)と移動ウィンドウグリッド構造(MWGS)と呼ばれる。
シミュレーションの結果,LWGSとMWGSベースのキャンセル器はNNベースのキャンセル器と同じキャンセル性能が得られることがわかった。
論文 参考訳（メタデータ） (2020-09-23T20:10:08Z) - Hadamard Wirtinger Flow for Sparse Phase Retrieval [24.17778927729799]
我々は、ノイズのない等級のみの測定結果から、$n$-dimensional $k$-sparse信号を再構成する問題を考察する。
この問題を非正規化経験的リスク最小化タスクとして定式化し、アダマールパラメトリゼーションを用いた勾配降下のサンプル複雑性性能について検討した。
収束時のHWFの性能を数値的に検討し、正規化の明示的な形式や$k$の知識を必要としないが、HWFは信号空間に適応し、既存の勾配法よりも少ない測定値でスパース信号を再構成することを示した。
論文 参考訳（メタデータ） (2020-06-01T16:41:27Z) - OSLNet: Deep Small-Sample Classification with an Orthogonal Softmax
Layer [77.90012156266324]
本稿では,ニューラルネットワークのサブスペースを見つけることを目的としている。
そこで本研究では,Orthogonal Softmax Layer (OSL) を提案する。
実験結果から,提案OSLは4つの小サンプルベンチマークデータセットとの比較に用いた手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2020-04-20T02:41:01Z)
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。