論文の概要: Reconfigurable Intelligent Surface-assisted Classification of
Modulations using Deep Learning
- arxiv url: http://arxiv.org/abs/2209.08388v1
- Date: Sat, 17 Sep 2022 18:45:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 19:13:23.575157
- Title: Reconfigurable Intelligent Surface-assisted Classification of
Modulations using Deep Learning
- Title（参考訳）: ディープラーニングを用いた再構成可能なインテリジェント表面支援変調分類
- Authors: Mir Lodro, Hamidreza Taghvaee, Jean Baptiste Gros, Steve Greedy,
Geofrroy Lerosey, and Gabriele Gradoni
- Abstract要約: 本稿では,人工知能を用いたRIS支援ディジタル分類手法を提案する。
我々は、デジタル変調を分類するために畳み込みニューラルネットワークを訓練する。
提案手法の精度は特に低レベルのSNRにおいて顕著である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The fifth generating (5G) of wireless networks will be more adaptive and
heterogeneous. Reconfigurable intelligent surface technology enables the 5G to
work on multistrand waveforms. However, in such a dynamic network, the
identification of specific modulation types is of paramount importance. We
present a RIS-assisted digital classification method based on artificial
intelligence. We train a convolutional neural network to classify digital
modulations. The proposed method operates and learns features directly on the
received signal without feature extraction. The features learned by the
convolutional neural network are presented and analyzed. Furthermore, the
robust features of the received signals at a specific SNR range are studied.
The accuracy of the proposed classification method is found to be remarkable,
particularly for low levels of SNR.
- Abstract（参考訳）: 無線ネットワークの第5世代(5G)は、より適応的で不均一である。
再構成可能なインテリジェントな表面技術により、5gはマルチストランド波形を処理できる。
しかし、そのような動的ネットワークでは、特定の変調型を特定することが重要となる。
本稿では,人工知能に基づくris支援ディジタル分類手法を提案する。
デジタル変調を分類するために畳み込みニューラルネットワークを訓練する。
提案手法は,特徴抽出なしで受信した信号に直接特徴を操作・学習する。
畳み込みニューラルネットワークによって学習された特徴を提示し分析する。
さらに,特定のSNR領域における受信信号のロバスト特性について検討した。
提案手法の精度は特に低レベルのSNRにおいて顕著である。
関連論文リスト
- Manipulating Feature Visualizations with Gradient Slingshots [54.31109240020007]
本稿では,モデルの決定過程に大きな影響を及ぼすことなく,特徴可視化(FV)を操作する新しい手法を提案する。
ニューラルネットワークモデルにおける本手法の有効性を評価し,任意の選択したニューロンの機能を隠蔽する能力を示す。
論文 参考訳（メタデータ） (2024-01-11T18:57:17Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳（メタデータ） (2022-09-26T17:59:58Z) - Classification of Intra-Pulse Modulation of Radar Signals by Feature
Fusion Based Convolutional Neural Networks [5.199765487172328]
本研究では、パルス内変調型レーダ信号を自動的に認識するディープラーニングに基づく新しい手法を提案する。
提案するFF-CNN技術は,現在の最先端技術よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-05-19T20:18:17Z) - Deep neural network goes lighter: A case study of deep compression
techniques on automatic RF modulation recognition for Beyond 5G networks [34.71271274267469]
このレターは、自動RF変調認識のための最先端の深部圧縮・加速技術について、詳細なビューを提供する。
軽量ニューラルネットワークは、リソース制約のあるプラットフォーム上でエッジ計算能力を維持するための鍵である。
論文 参考訳（メタデータ） (2022-04-09T04:51:26Z) - 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) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Digital Signal Processing Using Deep Neural Networks [2.624902795082451]
本稿では、RF領域の問題を解決するために特別に設計されたカスタムディープニューラルネットワーク(DNN)を提案する。
本モデルは,自動エンコーダ畳み込みネットワークと変圧器ネットワークを組み合わせることで,特徴抽出と注意のメカニズムを活用する。
また,DNNをトレーニングし,自動変調分類を行い,伝送路効果を推測・補正し,ベースバンドRF信号を直接復調することのできる,新しいオープンデータセットと物理データ拡張モデルを提案する。
論文 参考訳（メタデータ） (2021-09-21T18:59:32Z) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳（メタデータ） (2021-07-27T06:57:56Z) - Radiation pattern prediction for Metasurfaces: A Neural Network based
approach [7.425034008715922]
本稿では,MSF応答の高速かつ高精度な評価を可能にするニューラルネットワークに基づく新しい手法を提案する。
上記の結果と方法論は、6Gネットワーク環境にデプロイされる数千のRISの設計、フォールトトレランス、メンテナンスにおいて特に重要である。
論文 参考訳（メタデータ） (2020-07-15T23:33:43Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z)
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。