論文の概要: Large Scale Radio Frequency Wideband Signal Detection & Recognition
- arxiv url: http://arxiv.org/abs/2211.10335v1
- Date: Fri, 4 Nov 2022 13:24:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-27 13:36:53.158361
- Title: Large Scale Radio Frequency Wideband Signal Detection & Recognition
- Title（参考訳）: 大規模無線周波数広帯域信号検出と認識
- Authors: Luke Boegner and Garrett Vanhoy and Phillip Vallance and Manbir Gulati
and Dresden Feitzinger and Bradley Comar and Robert D. Miller
- Abstract要約: 53種類の信号から550万の合成標本を合成したWidebandSig53データセットを提案する。
我々は、WBSig53データセットのオープンソースでカスタマイズ可能な生成、拡張、処理のためのTorchSig信号処理機械学習ツールキットを拡張した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Applications of deep learning to the radio frequency (RF) domain have largely
concentrated on the task of narrowband signal classification after the signals
of interest have already been detected and extracted from a wideband capture.
To encourage broader research with wideband operations, we introduce the
WidebandSig53 (WBSig53) dataset which consists of 550 thousand
synthetically-generated samples from 53 different signal classes containing
approximately 2 million unique signals. We extend the TorchSig signal
processing machine learning toolkit for open-source and customizable
generation, augmentation, and processing of the WBSig53 dataset. We conduct
experiments using state of the art (SoTA) convolutional neural networks and
transformers with the WBSig53 dataset. We investigate the performance of signal
detection tasks, i.e. detect the presence, time, and frequency of all signals
present in the input data, as well as the performance of signal recognition
tasks, where networks detect the presence, time, frequency, and modulation
family of all signals present in the input data. Two main approaches to these
tasks are evaluated with segmentation networks and object detection networks
operating on complex input spectrograms. Finally, we conduct comparative
analysis of the various approaches in terms of the networks' mean average
precision, mean average recall, and the speed of inference.
- Abstract（参考訳）: 無線周波数(RF)領域への深層学習の適用は、関心の信号が検出され、広帯域キャプチャーから抽出された後、狭帯域信号分類のタスクに大きく集中している。
広帯域演算による広範な研究を促進するために,約200万個の信号を含む53種類の信号から550万個の合成合成サンプルからなるWBSig53(WBSig53)データセットを提案する。
我々は、WBSig53データセットのオープンソースでカスタマイズ可能な生成、拡張、処理のためのTorchSig信号処理機械学習ツールキットを拡張した。
我々は, wbsig53データセットを用いて, state of the art (sota) 畳み込みニューラルネットワークとトランスフォーマーを用いて実験を行う。
本研究では,入力データに含まれるすべての信号の存在,時間,周波数を検出するとともに,入力データに存在する全ての信号の存在,時間,周波数,変調ファミリーをネットワークが検出する信号認識タスクの性能について検討する。
これらのタスクに対する2つの主要なアプローチは、複雑な入力スペクトログラムで動作するセグメンテーションネットワークとオブジェクト検出ネットワークによって評価される。
最後に,ネットワークの平均精度,平均リコール,推論速度の観点から,様々なアプローチの比較分析を行った。
関連論文リスト
- Multi-task Learning for Radar Signal Characterisation [48.265859815346985]
本稿では,マルチタスク学習(MTL)問題として,レーダ信号の分類と特徴化に取り組むためのアプローチを提案する。
本稿では,複数のレグレッションタスクと分類タスクを同時最適化するIQST(IQ Signal Transformer)を提案する。
合成レーダデータセット上で提案したMTLモデルの性能を示すとともに,レーダ信号の特徴付けのための一級ベンチマークも提供する。
論文 参考訳（メタデータ） (2023-06-19T12:01:28Z) - A Deep Neural Network Based Reverse Radio Spectrogram Search Algorithm [0.0]
ラジオスペクトログラムデータに注目するルックアライズな信号を探すために,高速かつモジュール化されたディープラーニングアルゴリズムを提案する。
このアルゴリズムは、元のラジオスペクトログラムデータのみを考慮し、類似した外観の信号を検索する。
論文 参考訳（メタデータ） (2023-02-24T04:28:46Z) - Faster Region-Based CNN Spectrum Sensing and Signal Identification in
Cluttered RF Environments [0.7734726150561088]
高速領域ベース畳み込みニューラルネットワーク(FRCNN)を1次元(1次元)信号処理と電磁スペクトルセンシングに最適化する。
その結果,本手法はローカライズ性能が向上し,2次元同値よりも高速であることがわかった。
論文 参考訳（メタデータ） (2023-02-20T09:35:13Z) - Large Scale Radio Frequency Signal Classification [0.0]
53種類の信号から合成した500万個のサンプルからなるSig53データセットについて紹介する。
また、このデータセットを生成するのに使える信号処理機械学習ツールキットであるTorchSigを紹介します。
論文 参考訳（メタデータ） (2022-07-20T14:03:57Z) - 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) - Three-Way Deep Neural Network for Radio Frequency Map Generation and
Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。
本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文 参考訳（メタデータ） (2021-11-23T22:25:10Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Signal Processing and Machine Learning Techniques for Terahertz Sensing:
An Overview [89.09270073549182]
テラヘルツ(THz)信号生成と放射法は、無線システムの未来を形作っている。
THz 固有の信号処理技術は、THz 帯域の効率的な利用のために、この THz センシングへの関心を補う必要がある。
本稿では,信号前処理に着目した手法の概要を示す。
また,THz帯で有望な知覚能力を探索し,深層学習の有効性についても検討した。
論文 参考訳（メタデータ） (2021-04-09T01:38:34Z) - Discriminative Singular Spectrum Classifier with Applications on
Bioacoustic Signal Recognition [67.4171845020675]
分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。
タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。
提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
論文 参考訳（メタデータ） (2021-03-18T11:01:21Z) - Multi-task Learning Approach for Automatic Modulation and Wireless
Signal Classification [1.827510863075184]
深層ニューラルネットワークの可能性をマルチタスク学習(MTL)フレームワークと組み合わせて活用し、変調と信号分類のタスクを同時に学習します。
我々は、レーダーと複数のラベルとの通信信号からなる唯一の既知のオープン異種無線信号データセットをリリースします。
論文 参考訳（メタデータ） (2021-01-25T17:43:42Z) - A Big Data Enabled Channel Model for 5G Wireless Communication Systems [71.93009775340234]
本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。
本稿では,ビッグデータと機械学習を利用した無線チャネルモデルフレームワークを提案する。
提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工ニューラルネットワーク(ANN)に基づいている。
論文 参考訳（メタデータ） (2020-02-28T05:56:14Z)
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。