論文の概要: Sensing-Throughput Tradeoffs with Generative Adversarial Networks for
NextG Spectrum Sharing
- arxiv url: http://arxiv.org/abs/2212.13598v1
- Date: Tue, 27 Dec 2022 20:15:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 16:12:27.208373
- Title: Sensing-Throughput Tradeoffs with Generative Adversarial Networks for
NextG Spectrum Sharing
- Title(参考訳): 次Gスペクトル共有のための生成逆ネットワークを用いたセンサスループトトレードオフ
- Authors: Yi Shi, Yalin E. Sagduyu
- Abstract要約: スペクトル共存は、次世代(NextG)システムにおいて、既存の(一次)ユーザとスペクトルを共有するために不可欠である。
本稿では,GAN(Generative Adversarial Network)アプローチを用いて合成センシング結果を生成し,深層ニューラルネットワークのトレーニングデータを増強する手法を提案する。
このGANベースのアプローチは,高優先度ユーザの保護とNextGユーザのスループットの両方を著しく改善できることを示す。
- 参考スコア(独自算出の注目度): 3.6582851384058594
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spectrum coexistence is essential for next generation (NextG) systems to
share the spectrum with incumbent (primary) users and meet the growing demand
for bandwidth. One example is the 3.5 GHz Citizens Broadband Radio Service
(CBRS) band, where the 5G and beyond communication systems need to sense the
spectrum and then access the channel in an opportunistic manner when the
incumbent user (e.g., radar) is not transmitting. To that end, a high-fidelity
classifier based on a deep neural network is needed for low misdetection (to
protect incumbent users) and low false alarm (to achieve high throughput for
NextG). In a dynamic wireless environment, the classifier can only be used for
a limited period of time, i.e., coherence time. A portion of this period is
used for learning to collect sensing results and train a classifier, and the
rest is used for transmissions. In spectrum sharing systems, there is a
well-known tradeoff between the sensing time and the transmission time. While
increasing the sensing time can increase the spectrum sensing accuracy, there
is less time left for data transmissions. In this paper, we present a
generative adversarial network (GAN) approach to generate synthetic sensing
results to augment the training data for the deep learning classifier so that
the sensing time can be reduced (and thus the transmission time can be
increased) while keeping high accuracy of the classifier. We consider both
additive white Gaussian noise (AWGN) and Rayleigh channels, and show that this
GAN-based approach can significantly improve both the protection of the
high-priority user and the throughput of the NextG user (more in Rayleigh
channels than AWGN channels).
- Abstract(参考訳): 次世代(nextg)システムでは、スペクトル共存が不可欠であり、既存の(プライマリな)ユーザとスペクトルを共有でき、帯域幅に対する需要が増大する。
例えば3.5ghzの市民ブロードバンド無線サービス(cbrs)バンドでは、既存のユーザ(例えばレーダー)が送信されていない場合、5gとbeyond通信システムがスペクトルを検知し、日和見的な方法でチャネルにアクセスする必要がある。
そのため、(既存ユーザを保護するために)低誤検出と(NextGの高スループットを実現するために)低誤検出のために、ディープニューラルネットワークに基づく高忠実分類器が必要である。
ダイナミックなワイヤレス環境では、分類器は限られた期間、すなわちコヒーレンス時間だけしか使用できない。
この期間の一部は、センシング結果を収集し、分類器を訓練するための学習に使われ、残りは送信に使用される。
スペクトル共有システムでは、センシング時間と送信時間の間によく知られたトレードオフがある。
センシング時間を増加させることでスペクトル検出精度が向上するが、データ伝送に要する時間は少なくなる。
本稿では,ディープラーニング分類器の学習データを増やすために,合成センシング結果を生成するGAN(Generative Adversarial Network)アプローチを提案する。
付加的な白色ガウスノイズ (AWGN) とレイリーチャネル (Rayleigh channel) の両方を考慮すると、このGANに基づくアプローチは、高優先度ユーザの保護とNextGユーザのスループット(AWGNチャネルよりもレイリーチャネルの方が優れている)の両方を著しく改善できることを示す。
関連論文リスト
- Federated Learning for UAV-Based Spectrum Sensing: Enhancing Accuracy Through SNR-Weighted Model Aggregation [0.0]
無人航空機(UAV)ネットワークは、3D空間、その課題、そして機会に関して異なる視点を必要とする。
本稿では,その分散特性と計算能力の制限を考慮した,UAVネットワークにおけるスペクトルセンシングのためのFLに基づく手法を提案する。
我々はまた、UAVが観測した信号と雑音の比率を考慮し、グローバルモデルを得るフェデレーションアグリゲーション手法、すなわちFedSNRを開発した。
論文 参考訳(メタデータ) (2024-11-17T19:24:49Z) - Dynamic Spectrum Access for Ambient Backscatter Communication-assisted D2D Systems with Quantum Reinforcement Learning [68.63990729719369]
無線スペクトルは乏しくなり、D2D通信のスペクトル効率は低い。
本稿では, 周囲RF信号の後方散乱を可能にするために, 環境後方散乱通信技術をD2Dデバイスに統合することを目的とする。
我々は、より少ないトレーニングパラメータでより高速な収束率を達成することができる新しい量子強化学習(RL)アルゴリズムを開発した。
論文 参考訳(メタデータ) (2024-10-23T15:36:43Z) - Frequency-Aware Deepfake Detection: Improving Generalizability through
Frequency Space Learning [81.98675881423131]
この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。
既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。
本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
論文 参考訳(メタデータ) (2024-03-12T01:28:00Z) - A Two-Dimensional Deep Network for RF-based Drone Detection and
Identification Towards Secure Coverage Extension [7.717171534776764]
時間領域情報と周波数領域情報の両方を含む生信号から2次元特徴を抽出するために,ショートタイムフーリエ変換を用いる。
次に、ResNet構造で構築された畳み込みニューラルネットワーク(CNN)を用いて、マルチクラス分類を実現する。
実験の結果,提案したResNet-STFTは,拡張データセット上でより精度が高く,より高速に収束できることがわかった。
論文 参考訳(メタデータ) (2023-08-26T15:43:39Z) - 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) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳(メタデータ) (2022-05-22T12:16:43Z) - Federated Learning for Distributed Spectrum Sensing in NextG
Communication Networks [3.509171590450989]
NextGネットワークは、既存のユーザとスペクトルを共有する柔軟性を提供することを目的としている。
無線センサのネットワークは、大規模な展開領域における信号伝達のスペクトルを監視するために必要である。
精度を向上させるために、個々のセンサは、センサーデータまたはセンサー結果を相互または融合センタで交換することができる。
論文 参考訳(メタデータ) (2022-04-06T18:18:42Z) - 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) - 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) - Interference Distribution Prediction for Link Adaptation in
Ultra-Reliable Low-Latency Communications [71.0558149440701]
リンク適応(LA)はURLLCを実現するボトルネックの一つと考えられている。
本稿では,ユーザの干渉信号と雑音比の予測に焦点をあて,LAを増強する。
干渉の時間相関を利用することがURLLCの重要な有効性であることを示す。
論文 参考訳(メタデータ) (2020-07-01T07:59:35Z) - Reinforcement Learning for Mitigating Intermittent Interference in
Terahertz Communication Networks [4.999585439793266]
多数のユーザによる非協調送信はテラヘルツネットワークに重大な干渉を引き起こす可能性がある。
適応型マルチスレッディング戦略を用いた強化学習に基づく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) (2020-03-10T16:28:45Z)
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。