論文の概要: Augmenting Radio Signals with Wavelet Transform for Deep Learning-Based Modulation Recognition

• arxiv url: http://arxiv.org/abs/2311.03761v1
• Date: Tue, 7 Nov 2023 06:55:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-08 16:39:39.835277
• Title: Augmenting Radio Signals with Wavelet Transform for Deep Learning-Based Modulation Recognition
• Title（参考訳）: 深層学習に基づく変調認識のためのウェーブレット変換による無線信号の拡張
• Authors: Tao Chen, Shilian Zheng, Kunfeng Qiu, Luxin Zhang, Qi Xuan, and Xiaoniu Yang
• Abstract要約: 近年,無線変調認識のための深層学習が普及している。 現実のシナリオでは、事前に十分なトレーニングデータを収集することは不可能かもしれない。 データ拡張は、トレーニングデータセットの多様性と量を増やすために使用される方法である。
• 参考スコア（独自算出の注目度）: 6.793444383222236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The use of deep learning for radio modulation recognition has become prevalent in recent years. This approach automatically extracts high-dimensional features from large datasets, facilitating the accurate classification of modulation schemes. However, in real-world scenarios, it may not be feasible to gather sufficient training data in advance. Data augmentation is a method used to increase the diversity and quantity of training dataset and to reduce data sparsity and imbalance. In this paper, we propose data augmentation methods that involve replacing detail coefficients decomposed by discrete wavelet transform for reconstructing to generate new samples and expand the training set. Different generation methods are used to generate replacement sequences. Simulation results indicate that our proposed methods significantly outperform the other augmentation methods.
• Abstract（参考訳）: 近年,無線変調認識における深層学習の利用が盛んに行われている。 このアプローチは、大きなデータセットから自動的に高次元の特徴を抽出し、変調スキームの正確な分類を容易にする。 しかし、現実のシナリオでは、事前に十分なトレーニングデータを集めることは不可能かもしれない。 データ拡張は、トレーニングデータセットの多様性と量を増やし、データのスパーシリティと不均衡を減らすために使用される方法である。 本稿では,離散ウェーブレット変換により分解された詳細係数を置き換え,新しいサンプルを生成し,トレーニングセットを拡張するデータ拡張法を提案する。 異なる生成法を用いて置換配列を生成する。 シミュレーションの結果,提案手法は他の拡張法よりも有意に優れていた。

関連論文リスト

• Learning-Based Biharmonic Augmentation for Point Cloud Classification [79.13962913099378]
  Biharmonic Augmentation (BA)は、新しくて効率的なデータ拡張技術である。 BAは、既存の3D構造にスムーズな非剛性変形を与えることにより、点雲データを多様化する。 本稿では,先進的なオンライン強化システムであるAdvTuneについて紹介する。
  論文  参考訳（メタデータ） (2023-11-10T14:04:49Z)
• Parallel and Limited Data Voice Conversion Using Stochastic Variational Deep Kernel Learning [2.5782420501870296]
  本稿では,限られたデータを扱う音声変換手法を提案する。 変分深層学習(SVDKL)に基づく。 非滑らかでより複雑な関数を推定することができる。
  論文  参考訳（メタデータ） (2023-09-08T16:32:47Z)
• Local Magnification for Data and Feature Augmentation [53.04028225837681]
  LOMA(Local Magnification)と呼ばれる,実装が容易かつモデルフリーなデータ拡張手法を提案する。 LOMAは、画像の局所領域をランダムに拡大することにより、追加のトレーニングデータを生成する。 実験の結果,提案するLOMAと標準データ拡張を組み合わせることで,画像分類や物体検出の性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-11-15T02:51:59Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Mixing Signals: Data Augmentation Approach for Deep Learning Based Modulation Recognition [5.816418334578875]
  無線信号のAMRに対する混合信号に基づくデータ拡張戦略を提案する。 実験の結果,提案手法は深層学習に基づくAMRモデルの分類精度を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-04-05T07:40:16Z)
• Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
  我々はデータ拡張を選択するための便利な勾配法を開発した。 我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
  論文  参考訳（メタデータ） (2022-02-22T02:51:11Z)
• CADDA: Class-wise Automatic Differentiable Data Augmentation for EEG Signals [92.60744099084157]
  本研究では、勾配に基づく学習に適した微分可能データ拡張を提案する。 本研究は,臨床関連睡眠ステージ分類課題におけるアプローチの意義を示す。
  論文  参考訳（メタデータ） (2021-06-25T15:28:48Z)
• Data Augmentation for Opcode Sequence Based Malware Detection [2.335152769484957]
  固定変換を用いた基本手法からデータ拡張の異なる手法について検討し、データに適応する手法に移行する。 ネットワーク内のOpcode埋め込み層とそれに対応するOpcode埋め込み行列を用いた新しいデータ拡張手法を提案する。 我々の知る限りでは、オプコードシーケンスに基づくマルウェア分類に適用される様々な拡張手法を体系的に研究する最初の論文である。
  論文  参考訳（メタデータ） (2021-06-22T14:36:35Z)
• 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。