論文の概要: Modulation Classification Through Deep Learning Using Resolution
Transformed Spectrograms
- arxiv url: http://arxiv.org/abs/2306.04655v1
- Date: Tue, 6 Jun 2023 16:14:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 18:22:35.318999
- Title: Modulation Classification Through Deep Learning Using Resolution
Transformed Spectrograms
- Title（参考訳）: 分解能変換スペクトログラムを用いたディープラーニングによる変調分類
- Authors: Muhammad Waqas, Muhammad Ashraf, Muhammad Zakwan
- Abstract要約: 畳み込みニューラルネットワーク(CNN)の近代的アーキテクチャを用いた自動変調分類(AMC)手法を提案する。
我々は、受信したI/Qデータから99.61%の計算負荷削減と8倍の高速変換をもたらす分光器の分解能変換を行う。
この性能は、SqueezeNet、Resnet-50、InceptionResnet-V2、Inception-V3、VGG-16、Densenet-201といった既存のCNNモデルで評価される。
- 参考スコア（独自算出の注目度）: 3.9511559419116224
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Modulation classification is an essential step of signal processing and has
been regularly applied in the field of tele-communication. Since variations of
frequency with respect to time remains a vital distinction among radio signals
having different modulation formats, these variations can be used for feature
extraction by converting 1-D radio signals into frequency domain. In this
paper, we propose a scheme for Automatic Modulation Classification (AMC) using
modern architectures of Convolutional Neural Networks (CNN), through generating
spectrum images of eleven different modulation types. Additionally, we perform
resolution transformation of spectrograms that results up to 99.61% of
computational load reduction and 8x faster conversion from the received I/Q
data. This proposed AMC is implemented on CPU and GPU, to recognize digital as
well as analogue signal modulation schemes on signals. The performance is
evaluated on existing CNN models including SqueezeNet, Resnet-50,
InceptionResnet-V2, Inception-V3, VGG-16 and Densenet-201. Best results of
91.2% are achieved in presence of AWGN and other noise impairments in the
signals, stating that the transformed spectrogram-based AMC has good
classification accuracy as the spectral features are highly discriminant, and
CNN based models have capability to extract these high-dimensional features.
The spectrograms were created under different SNRs ranging from 5 to 30db with
a step size of 5db to observe the experimental results at various SNR levels.
The proposed methodology is efficient to be applied in wireless communication
networks for real-time applications.
- Abstract（参考訳）: 変調分類は信号処理の重要なステップであり、通信の分野で定期的に適用されている。
時間に関する周波数の変動は、変調形式が異なる無線信号の間で重要な区別が残っており、1次元無線信号を周波数領域に変換することで特徴抽出に使用できる。
本稿では,11種類の変調タイプのスペクトル画像を生成することで,畳み込みニューラルネットワーク(CNN)の現代的なアーキテクチャを用いた自動変調分類(AMC)手法を提案する。
さらに,計算負荷の99.61%を削減し,受信したi/qデータから8倍高速に変換できるスペクトログラムの分解能変換を行う。
提案するAMCはCPUとGPU上に実装され,信号のアナログ信号変調方式とデジタル信号の認識を行う。
squeezenet, resnet-50, inceptionresnet-v2, inception-v3, vgg-16, densenet-201などの既存のcnnモデルで性能を評価する。
91.2%の最良の結果は、信号中のawgnや他のノイズ障害の存在下で達成され、変換されたスペクトログラムベースのamcは、スペクトル特徴が非常に識別性が高く、cnnベースのモデルではこれらの高次元特徴を抽出する能力があるため、分類精度が良い。
分光図は5dbから30dbの異なるSNRで作成され、ステップサイズは5dbであり、様々なSNRレベルで実験結果が観察された。
提案手法は,リアルタイムアプリケーションのための無線通信ネットワークに適用可能である。
関連論文リスト
- NMformer: A Transformer for Noisy Modulation Classification in Wireless Communication [19.225546116534165]
無線通信におけるノイズレベルの異なるチャネル変調画像を予測するために,NMformerという視覚変換器(ViT)モデルを提案する。
VTはRGB画像に最も有効であるため、変調信号から星座図を生成する。
提案モデルには,2種類の予測設定(分布内と分布外)がある。
論文 参考訳（メタデータ） (2024-10-30T21:10:12Z) - Deep Learning-Based Frequency Offset Estimation [7.143765507026541]
残差ネットワーク(ResNet)を用いて信号の特徴を学習し抽出することで,CFO推定におけるディープラーニングの利用について述べる。
従来のCFO推定法と比較して,提案手法は様々なシナリオにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2023-11-08T13:56:22Z) - On Neural Architectures for Deep Learning-based Source Separation of
Co-Channel OFDM Signals [104.11663769306566]
周波数分割多重化(OFDM)信号を含む単一チャネル音源分離問題について検討する。
我々はOFDM構造からの洞察に基づいて、ネットワークパラメータ化に対する重要なドメインインフォームド修正を提案する。
論文 参考訳（メタデータ） (2023-03-11T16:29:13Z) - 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) - 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) - Real-Time Radio Technology and Modulation Classification via an LSTM
Auto-Encoder [29.590446724625693]
雑音の多い無線信号から安定かつロバストな特徴を自動的に抽出するLSTMデノケーションオートエンコーダに基づく学習フレームワークを提案する。
現実的な合成と無線データのオーバー・ザ・エアにより,提案手法が受信した無線信号を確実に効率的に分類できることが実証された。
論文 参考訳（メタデータ） (2020-11-16T21:41:31Z) - Conditioning Trick for Training Stable GANs [70.15099665710336]
本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。
我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
論文 参考訳（メタデータ） (2020-10-12T16:50:22Z) - Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by
Spiking Neural Network [68.43026108936029]
雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。
このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。
実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
論文 参考訳（メタデータ） (2020-07-07T08:22:56Z) - Time-Frequency Analysis based Blind Modulation Classification for
Multiple-Antenna Systems [6.011027400738812]
ブラインド変調分類は、認知無線ネットワークを実装するための重要なステップである。
マルチインプット・マルチアウトプット(MIMO)技術は、軍事や民間の通信システムで広く使われている。
これらのシナリオでは、従来の可能性ベースのアプローチや特徴ベースのアプローチは適用できない。
論文 参考訳（メタデータ） (2020-04-01T12:27:29Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳（メタデータ） (2020-02-14T06:58:27Z)
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。