論文の概要: Data-Driven Blind Synchronization and Interference Rejection for Digital
Communication Signals
- arxiv url: http://arxiv.org/abs/2209.04871v1
- Date: Sun, 11 Sep 2022 14:10:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-13 12:45:08.069592
- Title: Data-Driven Blind Synchronization and Interference Rejection for Digital
Communication Signals
- Title(参考訳): デジタル通信信号に対するデータ駆動ブラインド同期と干渉拒否
- Authors: Alejandro Lancho, Amir Weiss, Gary C.F. Lee, Jennifer Tang, Yuheng Bu,
Yury Polyanskiy and Gregory W. Wornell
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 98.95383921866096
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the potential of data-driven deep learning methods for separation of
two communication signals from an observation of their mixture. In particular,
we assume knowledge on the generation process of one of the signals, dubbed
signal of interest (SOI), and no knowledge on the generation process of the
second signal, referred to as interference. This form of the single-channel
source separation problem is also referred to as interference rejection. We
show that capturing high-resolution temporal structures (nonstationarities),
which enables accurate synchronization to both the SOI and the interference,
leads to substantial performance gains. With this key insight, we propose a
domain-informed neural network (NN) design that is able to improve upon both
"off-the-shelf" NNs and classical detection and interference rejection methods,
as demonstrated in our simulations. Our findings highlight the key role
communication-specific domain knowledge plays in the development of data-driven
approaches that hold the promise of unprecedented gains.
- Abstract(参考訳): 本研究では,データ駆動型深層学習手法の2つの通信信号の混合観測から分離する可能性について検討する。
特に、興味の信号(SOI)と呼ばれる信号の1つの生成過程に関する知識を仮定し、干渉と呼ばれる2番目の信号の生成過程に関する知識を仮定する。
単一チャネルソース分離問題のこの形式は、干渉拒絶(interference rejection)とも呼ばれる。
我々は、SOIと干渉の両方に正確な同期を可能にする高分解能時間構造(非定常性)のキャプチャにより、性能が大幅に向上することを示す。
この重要な洞察により、我々のシミュレーションで示されるように、「既成の」NNと古典的検出と干渉拒絶の両方を改善することができるドメイン情報ニューラルネットワーク(NN)の設計を提案する。
我々の研究は、前例のない利益を約束するデータ駆動型アプローチの開発において、コミュニケーション固有のドメイン知識が果たす重要な役割を強調した。
関連論文リスト
- Brain Diffuser with Hierarchical Transformer for MCI Causality Analysis [12.679877015785937]
軽度認知障害 (MCI) 解析に有効な接続性を推定するために, 階層型トランスフォーマー (BDHT) を用いた脳ディフューザを提案する。
提案した脳拡散器は,マルチモーダル脳ネットワークの生成と解析に拡散モデルを適用した最初の生成モデルである。
論文 参考訳(メタデータ) (2023-12-14T15:12:00Z) - Generative AI for Physical Layer Communications: A Survey [76.61956357178295]
生成人工知能(GAI)は、デジタルコンテンツ生産の効率を高める可能性がある。
複雑なデータ分散を分析するGAIの能力は、無線通信にとって大きな可能性を秘めている。
本稿では、信号分類、チャネル推定、等化といった従来の問題から、インテリジェントな反射面やジョイントソースチャネル符号化といった新たなトピックまで、GAIの物理層での通信への応用に関する包括的な調査を行う。
論文 参考訳(メタデータ) (2023-12-09T15:20:56Z) - Deep Reinforcement Learning for Interference Management in UAV-based 3D
Networks: Potentials and Challenges [137.47736805685457]
チャネル情報を知らなくても干渉を効果的に軽減できることを示す。
干渉を利用することにより、提案された解決策は民間UAVの継続的な成長を可能にする。
論文 参考訳(メタデータ) (2023-05-11T18:06:46Z) - 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) - End-to-End Active Speaker Detection [58.7097258722291]
本稿では,特徴学習と文脈予測を共同で学習するエンド・ツー・エンドのトレーニングネットワークを提案する。
また、時間間グラフニューラルネットワーク(iGNN)ブロックを導入し、ASD問題における主要なコンテキストのソースに応じてメッセージパッシングを分割する。
実験により、iGNNブロックからの集約された特徴はASDにより適しており、その結果、最先端のアートパフォーマンスが得られることが示された。
論文 参考訳(メタデータ) (2022-03-27T08:55:28Z) - Towards an AI-Driven Universal Anti-Jamming Solution with Convolutional
Interference Cancellation Network [4.450750414447688]
ワイヤレスリンクは、重要なサービスを提供するためにますます使われていますが、意図的な干渉(ジャミング)は、そのようなサービスにとって深刻な脅威です。
機械学習の進歩とニューラルアクセラレータとソフトウェア定義無線の約束に依存するアプローチを提案する。
本研究では,2アンテナの試作システムを開発し,様々な環境設定や変調方式におけるジャミングキャンセル手法の評価を行う。
論文 参考訳(メタデータ) (2022-03-18T03:30:57Z) - Multi-task Learning Approach for Modulation and Wireless Signal
Classification for 5G and Beyond: Edge Deployment via Model Compression [1.218340575383456]
将来的な通信網は、異種無線デバイスの成長に対応するために、少ないスペクトルに対処する必要がある。
我々は、深層ニューラルネットワークに基づくマルチタスク学習フレームワークの可能性を利用して、変調と信号分類タスクを同時に学習する。
公共利用のための包括的ヘテロジニアス無線信号データセットを提供する。
論文 参考訳(メタデータ) (2022-02-26T14:51:02Z) - On the benefits of robust models in modulation recognition [53.391095789289736]
畳み込み層を用いたディープニューラルネットワーク(DNN)は、通信における多くのタスクにおいて最先端である。
画像分類のような他の領域では、DNNは敵の摂動に弱いことが示されている。
最新モデルの堅牢性をテストするための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-03-27T19:58:06Z)
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。