論文の概要: Automatic Modulation Classification with Deep Neural Networks
- arxiv url: http://arxiv.org/abs/2301.11773v1
- Date: Fri, 27 Jan 2023 15:16:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-30 15:08:40.845421
- Title: Automatic Modulation Classification with Deep Neural Networks
- Title(参考訳): ディープニューラルネットワークを用いた自動変調分類
- Authors: Clayton Harper, Mitchell Thornton and Eric Larson
- Abstract要約: その結果,拡張畳み込み,統計プール,圧縮・励起ユニットの組み合わせが最強性能分類器となることがわかった。
さらに、この最高の演奏者は、短い信号バースト、一般的な誤分類、異なる変調カテゴリーやモードでの演奏など、様々な基準で調べる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic modulation classification is a desired feature in many modern
software-defined radios. In recent years, a number of convolutional deep
learning architectures have been proposed for automatically classifying the
modulation used on observed signal bursts. However, a comprehensive analysis of
these differing architectures and importance of each design element has not
been carried out. Thus it is unclear what tradeoffs the differing designs of
these convolutional neural networks might have. In this research, we
investigate numerous architectures for automatic modulation classification and
perform a comprehensive ablation study to investigate the impacts of varying
hyperparameters and design elements on automatic modulation classification
performance. We show that a new state of the art in performance can be achieved
using a subset of the studied design elements. In particular, we show that a
combination of dilated convolutions, statistics pooling, and
squeeze-and-excitation units results in the strongest performing classifier. We
further investigate this best performer according to various other criteria,
including short signal bursts, common misclassifications, and performance
across differing modulation categories and modes.
- Abstract(参考訳): 自動変調分類は多くの現代のソフトウェア定義無線において望ましい特徴である。
近年,観測信号バーストの変調を自動分類するために,多くの畳み込み深層学習アーキテクチャが提案されている。
しかし、これらの異なるアーキテクチャと各デザイン要素の重要性に関する包括的な分析は行われていない。
したがって、これらの畳み込みニューラルネットワークの異なる設計にどのようなトレードオフがあるのかは不明である。
本研究では、自動変調分類のための多数のアーキテクチャを調査し、様々なハイパーパラメータと設計要素が自動変調分類性能に与える影響を総合的アブレーション研究する。
本研究では, 設計要素のサブセットを用いて, 性能の新たな状態が達成可能であることを示す。
特に, 拡張畳み込み, 統計プール, 圧縮・励起ユニットの組み合わせが, 最強の動作分類器となることを示す。
さらに、この最高の演奏者は、短い信号バースト、一般的な誤分類、異なる変調カテゴリーやモードでの演奏など、様々な基準で調べる。
関連論文リスト
- Toward Multi-class Anomaly Detection: Exploring Class-aware Unified Model against Inter-class Interference [67.36605226797887]
統一型異常検出(MINT-AD)のためのマルチクラスインプリシトニューラル表現変換器を提案する。
マルチクラス分布を学習することにより、モデルが変換器デコーダのクラス対応クエリ埋め込みを生成する。
MINT-ADは、カテゴリと位置情報を特徴埋め込み空間に投影することができ、さらに分類と事前確率損失関数によって監督される。
論文 参考訳(メタデータ) (2024-03-21T08:08:31Z) - Sparse Modular Activation for Efficient Sequence Modeling [94.11125833685583]
線形状態空間モデルと自己アテンション機構を組み合わせた最近のモデルでは、様々なシーケンスモデリングタスクにおいて顕著な結果が示されている。
現在のアプローチでは、アテンションモジュールを静的かつ均一に入力シーケンスのすべての要素に適用し、最適以下の品質効率のトレードオフをもたらす。
SMA(Sparse Modular Activation)は,ニューラルネットワークが配列要素のサブモジュールを異なる方法でスパースに活性化する機構である。
論文 参考訳(メタデータ) (2023-06-19T23:10:02Z) - Demystify Transformers & Convolutions in Modern Image Deep Networks [82.32018252867277]
本稿では,一般のコンボリューションとアテンション演算子の真の利益を,詳細な研究により同定することを目的とする。
注意や畳み込みのようなこれらの特徴変換モジュールの主な違いは、それらの空間的特徴集約アプローチにある。
各種課題の実験と帰納的バイアスの解析により,ネットワークレベルとブロックレベルの高度な設計により,性能が著しく向上した。
論文 参考訳(メタデータ) (2022-11-10T18:59:43Z) - Assessing the Impact of Attention and Self-Attention Mechanisms on the
Classification of Skin Lesions [0.0]
注意モジュールと自己注意という,2種類の注意機構に注目した。
注意モジュールは各層入力テンソルの特徴を再重み付けするために使用される。
自己認識(Self-Attention)は、元々自然言語処理の分野で提案されていたもので、入力シーケンス内のすべての項目を関連付けることができる。
論文 参考訳(メタデータ) (2021-12-23T18:02:48Z) - Redefining Neural Architecture Search of Heterogeneous Multi-Network
Models by Characterizing Variation Operators and Model Components [71.03032589756434]
複素領域における異なる変動演算子の効果について検討する。
モデルの複雑さと性能に影響を及ぼす変化演算子と、それを構成する異なる部分の質を推定する様々な指標に依存するモデルの両方を特徴付ける。
論文 参考訳(メタデータ) (2021-06-16T17:12:26Z) - A Novel Automatic Modulation Classification Scheme Based on Multi-Scale
Networks [35.04402595330191]
本稿では,マルチスケールネットワークを用いた新しい自動変調分類手法を提案する。
中心損失と交差エントロピー損失を組み合わせた新規な損失関数を用いて識別性と分離性の両方を学習する。
提案した自動変調分類方式は,分類精度の観点から,ベンチマーク方式よりも優れた性能を実現することができる。
論文 参考訳(メタデータ) (2021-05-31T15:18:58Z) - Polynomial Networks in Deep Classifiers [55.90321402256631]
我々は深層ニューラルネットワークの研究を統一的な枠組みで行った。
私たちのフレームワークは、各モデルの誘導バイアスに関する洞察を提供します。
提案モデルの有効性を,標準画像および音声分類ベンチマークで評価した。
論文 参考訳(メタデータ) (2021-04-16T06:41:20Z) - Enhancing efficiency of object recognition in different categorization
levels by reinforcement learning in modular spiking neural networks [1.392250707100996]
本稿では,異なる分類レベルにおける物体認識のための計算モデルを提案する。
強化学習規則を備えたスパイクニューラルネットワークは、各分類レベルでモジュールとして使用される。
各分類レベルで必要な情報に基づいて、関連する帯域通過フィルタ画像を利用する。
論文 参考訳(メタデータ) (2021-02-10T12:33:20Z) - High-Capacity Complex Convolutional Neural Networks For I/Q Modulation
Classification [0.0]
複素数値畳み込みを計算するための残差および/または高密度接続を含む高容量アーキテクチャを実現することで、技術性能の状態を主張する。
I/Q変調分類のための複雑な畳み込みを伴う全ネットワークにおいて統計的に有意な改善を示す。
論文 参考訳(メタデータ) (2020-10-21T02:26:24Z) - Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。
本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
論文 参考訳(メタデータ) (2020-05-10T06:11:13Z)
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。