論文の概要: Estimation and Deconvolution of Second Order Cyclostationary Signals

• arxiv url: http://arxiv.org/abs/2402.19290v1
• Date: Thu, 29 Feb 2024 15:53:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-01 14:04:00.126027
• Title: Estimation and Deconvolution of Second Order Cyclostationary Signals
• Title（参考訳）: 2次周期的信号の推定とデコンボリューション
• Authors: Igor Makienko, Michael Grebshtein, Eli Gildish
• Abstract要約: 我々は、デコンボリューションフィルタが存在することを証明し、時間とともに統計が変化する信号からTF効果を除去した。 この方法は盲目であり、信号やTFに関する事前の知識を必要としない。 同一システムからの信号の集約を必要とするが、TFが異なる機械学習モデルのトレーニングを改善する可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This method solves the dual problem of blind deconvolution and estimation of the time waveform of noisy second-order cyclo-stationary (CS2) signals that traverse a Transfer Function (TF) en route to a sensor. We have proven that the deconvolution filter exists and eliminates the TF effect from signals whose statistics vary over time. This method is blind, meaning it does not require prior knowledge about the signals or TF. Simulations demonstrate the algorithm high precision across various signal types, TFs, and Signal-to-Noise Ratios (SNRs). In this study, the CS2 signals family is restricted to the product of a deterministic periodic function and white noise. Furthermore, this method has the potential to improve the training of Machine Learning models where the aggregation of signals from identical systems but with different TFs is required.
• Abstract（参考訳）: 本手法は,センサへのトランスファー関数(TF)を伝送する雑音性二階シクロ定常(CS2)信号のブラインドデコンボリューションと時間波形の推定という2つの問題を解く。 我々は、デコンボリューションフィルタが存在することを証明し、時間とともに統計が変化する信号からtf効果を排除する。 この方法は盲目であり、信号やtfに関する事前の知識を必要としない。 シミュレーションは、様々な信号タイプ、tfs、snr(signal-to-noise ratios)において高い精度を示す。 本研究では,CS2信号ファミリーは決定論的周期関数と白色雑音の積に制限される。 さらに、同一のシステムからの信号の集約が異なるtfsで必要とされる機械学習モデルのトレーニングを改善する可能性を秘めている。

関連論文リスト

• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Signal-noise separation using unsupervised reservoir computing [0.0]
  本稿では,時系列予測に基づく信号雑音分離手法を提案する。 元の信号と再構成信号の差から雑音分布を推定する。 この方法は機械学習アプローチに基づいており、決定論的信号か雑音分布のどちらかについて事前の知識を必要としない。
  論文  参考訳（メタデータ） (2024-04-07T08:31:35Z)
• Multi-scale Residual Transformer for VLF Lightning Transients Classification [8.484339601339325]
  VLFの干渉やノイズを低減するためには、正確な雷信号の分類が重要である。 近年、ディープラーニング、特に畳み込みニューラルネットワーク(CNN)の進化は、雷の分類に変化をもたらした。 本研究では、複雑なパターンを識別するだけでなく、入力雷信号列の異なる側面の意義を重み付けする革新的なマルチスケール残差変換(MRTransformer)を提案する。
  論文  参考訳（メタデータ） (2023-12-07T09:26:58Z)
• 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)
• 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)
• Detecting train driveshaft damages using accelerometer signals and Differential Convolutional Neural Networks [67.60224656603823]
  本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。 その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
  論文  参考訳（メタデータ） (2022-11-15T15:04:06Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• 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)
• Signal Reconstruction from Quantized Noisy Samples of the Discrete Fourier Transform [6.85316573653194]
  離散フーリエ変換(DFT)の1ビットまたは2ビット雑音観測から信号再構成を行うアルゴリズムの2つのバリエーションを示す。 DFTの1ビット観測は実部の符号に対応し、DFTの2ビット観測は実部と虚部の両方の符号に対応している。
  論文  参考訳（メタデータ） (2022-01-09T23:55:53Z)
• Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
  フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。 いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
  論文  参考訳（メタデータ） (2021-03-01T08:25:26Z)
• Blind Modulation Classification via Combined Machine Learning and Signal Feature Extraction [5.873416857161077]
  低信号パワーから雑音比(SNR)における多彩な変調の認識には,機械傾きと信号特徴抽出の組み合わせが有効である SNR=-4.2 dB では 4-QAM、SNR=2.1 dB では 4-FSK を %99 の成功率で認識できる。
  論文  参考訳（メタデータ） (2021-01-12T07:58:33Z)

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。