論文の概要: Realtime Spectrum Monitoring via Reinforcement Learning -- A Comparison
Between Q-Learning and Heuristic Methods
- arxiv url: http://arxiv.org/abs/2307.05763v1
- Date: Tue, 11 Jul 2023 19:40:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-13 15:07:26.010966
- Title: Realtime Spectrum Monitoring via Reinforcement Learning -- A Comparison
Between Q-Learning and Heuristic Methods
- Title(参考訳): 強化学習によるリアルタイムスペクトルモニタリング -q学習とヒューリスティック手法の比較-
- Authors: Tobias Braun, Tobias Korzyzkowske, Larissa Putzar, Jan Mietzner, Peter
A. Hoeher
- Abstract要約: 利用可能なレシーバリソースを制御するための2つのアプローチを比較した。
使用するQ-ラーニングアルゴリズムは、より少ない探索率を犠牲にして、アプローチよりもはるかに高い検出率を有する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Due to technological advances in the field of radio technology and its
availability, the number of interference signals in the radio spectrum is
continuously increasing. Interference signals must be detected in a timely
fashion, in order to maintain standards and keep emergency frequencies open. To
this end, specialized (multi-channel) receivers are used for spectrum
monitoring. In this paper, the performances of two different approaches for
controlling the available receiver resources are compared. The methods used for
resource management (ReMa) are linear frequency tuning as a heuristic approach
and a Q-learning algorithm from the field of reinforcement learning. To test
the methods to be investigated, a simplified scenario was designed with two
receiver channels monitoring ten non-overlapping frequency bands with
non-uniform signal activity. For this setting, it is shown that the Q-learning
algorithm used has a significantly higher detection rate than the heuristic
approach at the expense of a smaller exploration rate. In particular, the
Q-learning approach can be parameterized to allow for a suitable trade-off
between detection and exploration rate.
- Abstract(参考訳): 電波技術の分野での技術進歩とその利用により、電波スペクトルにおける干渉信号の数は継続的に増加している。
干渉信号は、標準を維持し、緊急周波数を開放し続けるために、タイムリーに検出されなければならない。
この目的のために、特殊な(マルチチャネル)受信機がスペクトル監視に使用される。
本稿では、利用可能な受信リソースを制御するための2つの異なるアプローチの性能を比較する。
資源管理(ReMa)に用いる手法は、ヒューリスティックアプローチとしての線形周波数チューニングと強化学習分野からのQ-ラーニングアルゴリズムである。
検討する手法をテストするために,信号アクティビティが一様でない10個の非重なり周波数帯域を監視する2つの受信チャネルを用いた簡易シナリオを考案した。
このことから,使用したQ-ラーニングアルゴリズムは,より少ない探索率を犠牲にして,ヒューリスティック手法よりも検出率が高いことを示した。
特に、Q-ラーニングアプローチは、検出と探索率の間の適切なトレードオフを可能にするためにパラメータ化することができる。
関連論文リスト
- Exploring Cross-Domain Few-Shot Classification via Frequency-Aware Prompting [37.721042095518044]
クロスドメインなFew-Shot Learningはメタラーニングの発展に大きく貢献している。
本稿では,相互に注意を向けた周波数対応プロンプト手法を提案する。
論文 参考訳(メタデータ) (2024-06-24T08:14:09Z) - 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) - 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) - 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) - 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) - Design of an Novel Spectrum Sensing Scheme Based on Long Short-Term
Memory and Experimental Validation [0.7349727826230862]
深層学習ネットワーク(DLN)の重要な要素である長期記憶(LSTM)に基づくスペクトルセンシング手法を提案する。
提案手法は, Adalm Pluto を用いた実証実験により検証した。
論文 参考訳(メタデータ) (2021-11-21T08:51:48Z) - Machine Learning Framework for Sensing and Modeling Interference in IoT
Frequency Bands [2.6839965970551276]
モノのインターネットをサポートする新しいアクセス技術によって、スペクトルの占有度をよりよく理解する必要性が高まっている。
共有帯域におけるIoTアプリケーションのための短時間スペクトル占有のトラフィック挙動をキャプチャし、モデル化し、既存の干渉を判定するフレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-10T19:10:40Z) - 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) - 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) - FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。
複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。
得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
論文 参考訳(メタデータ) (2020-11-14T11:29:55Z) - Frequency-based Multi Task learning With Attention Mechanism for Fault
Detection In Power Systems [6.4332733596587115]
本稿では,障害検出のための新しいディープラーニングベースのアプローチを導入し,実際のデータセット,すなわち部分放電検出タスクのためのKaggleプラットフォーム上でテストする。
提案手法では,時系列の特徴を抽出するためのアテンション機構を備えたLong-Short Term Memoryアーキテクチャを採用し,信号の周波数情報を利用した1D-Convolutional Neural Network構造を用いて予測を行う。
論文 参考訳(メタデータ) (2020-09-15T02:01:47Z)
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。