論文の概要: EMC2-Net: Joint Equalization and Modulation Classification based on
Constellation Network
- arxiv url: http://arxiv.org/abs/2303.10934v1
- Date: Mon, 20 Mar 2023 08:17:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 16:22:43.430248
- Title: EMC2-Net: Joint Equalization and Modulation Classification based on
Constellation Network
- Title(参考訳): EMC2-Net:コンステレーションネットワークに基づく共同等化と変調分類
- Authors: Hyun Ryu and Junil Choi
- Abstract要約: コンステレーションネットワーク(EMC2-Net)に基づく共同等化・変調分類と呼ばれる新しいMC手法を提案する。
コンステレーション点を画像とみなす以前の研究とは異なり、提案されたEMC2-Netは直接2Dのコンステレーション点を用いてMCを実行する。
異なるチャネルモデル下での線形変調型を用いた数値計算の結果,提案したEMC2-Netは,複雑性を著しく低減した最先端MC技術の性能を実現する。
- 参考スコア(独自算出の注目度): 15.165076751268531
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modulation classification (MC) is the first step performed at the receiver
side unless the modulation type is explicitly indicated by the transmitter.
Machine learning techniques have been widely used for MC recently. In this
paper, we propose a novel MC technique dubbed as Joint Equalization and
Modulation Classification based on Constellation Network (EMC2-Net). Unlike
prior works that considered the constellation points as an image, the proposed
EMC2-Net directly uses a set of 2D constellation points to perform MC. In order
to obtain clear and concrete constellation despite multipath fading channels,
the proposed EMC2-Net consists of equalizer and classifier having separate and
explainable roles via novel three-phase training and noise-curriculum
pretraining. Numerical results with linear modulation types under different
channel models show that the proposed EMC2-Net achieves the performance of
state-of-the-art MC techniques with significantly less complexity.
- Abstract(参考訳): 変調分類(MC)は、変調タイプが送信者によって明示的に示されない限り、受信側で実行される最初のステップである。
機械学習技術は近年、MCで広く使われている。
本稿では,コンステレーションネットワーク(EMC2-Net)に基づく共同等化・変調分類と呼ばれる新しいMC手法を提案する。
コンステレーション点を画像とみなす以前の研究とは異なり、提案されたEMC2-Netは直接2Dのコンステレーション点を用いてMCを実行する。
EMC2-Netは,マルチパスフェーディングチャネルに拘わらず,明瞭で具体的な星座を得るために,新しい3相トレーニングとノイズキュリキュラム事前学習を通じて,等化剤と説明可能な役割を持つ分類器から構成される。
異なるチャネルモデル下での線形変調型を用いた数値計算の結果,提案したEMC2-Netは,複雑性を著しく低減した最先端MC技術の性能を実現する。
関連論文リスト
- Unleashing Network Potentials for Semantic Scene Completion [50.95486458217653]
本稿では,新しいSSCフレームワーク - Adrial Modality Modulation Network (AMMNet)を提案する。
AMMNetは、モダリティ間の勾配流の相互依存性を可能にするクロスモーダル変調と、動的勾配競争を利用するカスタマイズされた逆トレーニングスキームの2つのコアモジュールを導入している。
AMMNetは最先端のSSC法よりも大きなマージンで優れていた。
論文 参考訳(メタデータ) (2024-03-12T11:48:49Z) - Connecting Multi-modal Contrastive Representations [50.26161419616139]
マルチモーダルコントラスト表現学習は、異なるモダリティを意味的に共有された空間に符号化することを目的としている。
本稿では,C-MCR(Connecting Multi-Modal Contrastive Representations)と呼ばれるペアデータなしでMCRを学習するための,新たな学習効率向上手法を提案する。
C-MCRは、オーディオ画像検索、オーディオ画像のソースローカライゼーション、および対実的なオーディオ画像認識タスクにおいて、最先端のオーディオ映像のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-05-22T09:44:39Z) - Over-the-Air Split Machine Learning in Wireless MIMO Networks [56.27831295707334]
スプリット機械学習(ML)では、ニューラルネットワーク(NN)の異なるパーティションが異なる計算ノードによって実行される。
通信負担を軽減するため、OAC(Over-the-air calculation)は通信と同時に計算の全てまたは一部を効率的に実装することができる。
論文 参考訳(メタデータ) (2022-10-07T15:39:11Z) - EMC2A-Net: An Efficient Multibranch Cross-channel Attention Network for
SAR Target Classification [10.479559839534033]
本稿では,マルチブランチ構造に基づくマルチスケール受信フィールド(RF)を有するEMC2Aブロックを2つ提案し,効率的な異方性アーキテクチャであるDCNN,EMC2A-Netを設計した。
EMC2Aブロックは、異なる拡張レートの並列拡張畳み込みを利用して、計算負担を大幅に増大させることなく、マルチスケールのコンテキスト特徴を効果的にキャプチャすることができる。
本稿では,EMC2Aモジュールと呼ばれるマルチスケールのマルチチャネルアテンションモジュールを提案する。
論文 参考訳(メタデータ) (2022-08-03T04:31:52Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳(メタデータ) (2022-05-02T12:23:55Z) - Selective Kernel Attention for Robust Speaker Verification [17.841434987294242]
畳み込み層に対する選択的カーネルアテンション(SKA)機構を導入する。
SKA機構により、各畳み込み層はデータ駆動方式でカーネルサイズを適応的に選択できる。
SKA機構を用いた3つのモジュール変種を提案する。
論文 参考訳(メタデータ) (2022-04-03T06:26:50Z) - Wider or Deeper Neural Network Architecture for Acoustic Scene
Classification with Mismatched Recording Devices [59.86658316440461]
音響シーン分類(ASC)のためのロバストで低複雑性なシステムを提案する。
本稿では,まず,新しい入出力型ネットワークアーキテクチャを設計し,不一致な記録装置問題に対処する,ASCベースラインシステムを構築する。
さらなる性能向上を図りながら、低複雑性モデルを満たすために、多重スペクトルのアンサンブルとチャネル縮小の2つの手法を適用した。
論文 参考訳(メタデータ) (2022-03-23T10:27:41Z) - Activation Modulation and Recalibration Scheme for Weakly Supervised
Semantic Segmentation [24.08326440298189]
弱教師付きセマンティックセグメンテーションのための新しいアクティベーション変調と再校正手法を提案する。
PASCAL VOC 2012データセット上で,AMRが新たな最先端パフォーマンスを確立することを示す。
また,本手法はプラグアンドプレイであり,他の手法と組み合わせて性能向上を図ることが可能であることを実験により明らかにした。
論文 参考訳(メタデータ) (2021-12-16T16:26:14Z) - Multi-Modulation Network for Audio-Visual Event Localization [138.14529518908736]
本研究では,映像中の可聴性と可視性の両方を有する音声視覚事象のローカライズの問題について検討する。
既存の作業は、セグメントレベルでのオーディオと視覚機能のエンコーディングと調整に重点を置いている。
本稿では、上記の相関関係を学習し、意味的ガイダンスとして活用する新しいマルチ変調ネットワーク(M2N)を提案する。
論文 参考訳(メタデータ) (2021-08-26T13:11:48Z) - Variational Combinatorial Sequential Monte Carlo Methods for Bayesian
Phylogenetic Inference [4.339931151475307]
Vari Combinatorial Monte Carlo (VCSMC) は複雑な構造について学習するための変分探索を確立する強力なフレームワークである。
本稿では,VCSMC と CSMC が,従来のタスクよりも高い確率空間を探索できることを示す。
論文 参考訳(メタデータ) (2021-05-31T19:44:24Z)
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。