論文の概要: Deep-Learned Compression for Radio-Frequency Signal Classification
- arxiv url: http://arxiv.org/abs/2403.03150v1
- Date: Tue, 5 Mar 2024 17:42:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 14:01:16.609550
- Title: Deep-Learned Compression for Radio-Frequency Signal Classification
- Title(参考訳): 高周波信号分類のための深層圧縮
- Authors: Armani Rodriguez, Yagna Kaasaragadda, Silvija Kokalj-Filipovic
- Abstract要約: 次世代の細胞概念は、大量の高周波サンプルの処理に依存している。
RF信号の複雑な値のサンプルを圧縮する深層学習圧縮モデルHQARFを提案する。
RF信号の変調クラスを推定するために訓練されたAIモデルの性能に対するHQARFの効果を評価する。
- 参考スコア(独自算出の注目度): 0.49109372384514843
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Next-generation cellular concepts rely on the processing of large quantities
of radio-frequency (RF) samples. This includes Radio Access Networks (RAN)
connecting the cellular front-end based on software defined radios (SDRs) and a
framework for the AI processing of spectrum-related data. The RF data collected
by the dense RAN radio units and spectrum sensors may need to be jointly
processed for intelligent decision making. Moving large amounts of data to AI
agents may result in significant bandwidth and latency costs. We propose a deep
learned compression (DLC) model, HQARF, based on learned vector quantization
(VQ), to compress the complex-valued samples of RF signals comprised of 6
modulation classes. We are assessing the effects of HQARF on the performance of
an AI model trained to infer the modulation class of the RF signal. Compression
of narrow-band RF samples for the training and off-the-site inference will
allow for an efficient use of the bandwidth and storage for non-real-time
analytics, and for a decreased delay in real-time applications. While exploring
the effectiveness of the HQARF signal reconstructions in modulation
classification tasks, we highlight the DLC optimization space and some open
problems related to the training of the VQ embedded in HQARF.
- Abstract(参考訳): 次世代の細胞概念は、大量の高周波サンプルの処理に依存している。
これには、software defined radios (sdrs)に基づくセルラーフロントエンドを接続する無線アクセスネットワーク(ran)と、スペクトル関連データのai処理のためのフレームワークが含まれる。
密度の高いRAN無線ユニットとスペクトルセンサーによって収集されたRFデータは、インテリジェントな意思決定のために共同で処理する必要があるかもしれない。
大量のデータをAIエージェントに移行すれば、帯域幅とレイテンシのコストが大きくなります。
本稿では,6つの変調クラスからなるRF信号の複雑な値のサンプルを圧縮するために,学習ベクトル量子化(VQ)に基づく深層学習圧縮(DLC)モデルHQARFを提案する。
RF信号の変調クラスを推定するために訓練されたAIモデルの性能に対するHQARFの効果を評価する。
トレーニングおよびオフ・ザ・サイト推論のための狭帯域RFサンプルの圧縮により、非リアルタイム分析のための帯域幅とストレージの効率的な利用が可能となり、リアルタイムアプリケーションの遅延が減少する。
変調分類タスクにおけるHQARF信号再構成の有効性を探りながら、DLC最適化空間とHQARFに埋め込まれたVQのトレーニングに関するオープンな問題を強調した。
関連論文リスト
- 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) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳(メタデータ) (2022-05-22T12:16:43Z) - 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) - Multi-task Learning Approach for Modulation and Wireless Signal
Classification for 5G and Beyond: Edge Deployment via Model Compression [1.218340575383456]
将来的な通信網は、異種無線デバイスの成長に対応するために、少ないスペクトルに対処する必要がある。
我々は、深層ニューラルネットワークに基づくマルチタスク学習フレームワークの可能性を利用して、変調と信号分類タスクを同時に学習する。
公共利用のための包括的ヘテロジニアス無線信号データセットを提供する。
論文 参考訳(メタデータ) (2022-02-26T14:51:02Z) - 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) - Waveform Learning for Next-Generation Wireless Communication Systems [16.26230847183709]
本稿では,送信受信フィルタ,星座形状,それに付随するビットラベリング,およびニューラルネットワーク(NN)ベースの検出器の結合設計のための学習に基づく手法を提案する。
この方法は、隣接するチャネルリーク比(ACLR)とピーク・ツー・アベイジ・パワー比(PAPR)の制約を同時に満たしつつ、達成可能な情報レートを最大化する。
論文 参考訳(メタデータ) (2021-09-02T14:51:16Z) - Spectro-Temporal RF Identification using Deep Learning [3.8137985834223507]
WRISTは、分光時間検出、フレームワーク、システムを備えた広帯域リアルタイムRF識別システムである。
得られたディープラーニングモデルは、時間と周波数のRF放射を検出し、分類し、正確に検出することができる。
WRIST検出器は、野生の非常に密集した環境でも平均的な平均精度が90に達する。
論文 参考訳(メタデータ) (2021-07-11T19:02:07Z) - Encoding Frequency Constraints in Preventive Unit Commitment Using Deep
Learning with Region-of-Interest Active Sampling [8.776029771500689]
本稿では,周波数制約単位コミットメント(FCUC)のための汎用データ駆動型フレームワークを提案する。
深層ニューラルネットワーク(dnn)を訓練し、実データや高忠実度シミュレーションデータを用いて周波数応答を予測する。
データ生成フェーズでは、すべての可能な電力注入を考慮し、uflcしきい値に近い周波数nadirの電力注入サンプルを含む領域間アクティブサンプリングを提案する。
論文 参考訳(メタデータ) (2021-02-18T19:04:21Z) - 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) - A Compressive Sensing Approach for Federated Learning over Massive MIMO
Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。
本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文 参考訳(メタデータ) (2020-03-18T05:56:27Z)
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。