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
- Augmenting Training Data with Vector-Quantized Variational Autoencoder for Classifying RF Signals [9.99212997328053]
本稿では,Vector-Quantized Variational Autoencoder (VQ-VAE) を用いたトレーニングデータの拡張を提案する。
VQ-VAEモデルは高忠実な合成RF信号を生成し、トレーニングデータセットの多様性と忠実度を高める。
実験結果から,VQ-VAE生成データの導入により,ベースラインモデルの分類精度が大幅に向上することが示唆された。
論文 参考訳（メタデータ） (2024-10-23T21:17:45Z) - RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
本稿では、新しいデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。
まず、干渉除去アルゴリズムの開発と解析の基礎となる洞察に富んだ信号モデルを提案する。
第2に,さまざまなRF信号とコードテンプレートを備えた公開データセットであるRF Challengeを紹介する。
第3に,UNetやWaveNetなどのアーキテクチャにおいて,新しいAIに基づく拒絶アルゴリズムを提案し,その性能を8種類の信号混合タイプで評価する。
論文 参考訳（メタデータ） (2024-09-13T13:53:41Z) - Diffusion-Driven Semantic Communication for Generative Models with Bandwidth Constraints [27.049330099874396]
本稿では,帯域制限付き生成モデルのための,高度なVAEベースの圧縮を用いた拡散駆動型セマンティック通信フレームワークを提案する。
実験の結果,ピーク信号対雑音比 (PSNR) などの画素レベルの指標と,LPIPS (Learning Perceptual Image patch similarity) のような意味的指標が大幅に改善された。
論文 参考訳（メタデータ） (2024-07-26T02:34:25Z) - RF-Diffusion: Radio Signal Generation via Time-Frequency Diffusion [15.175370227353406]
RF信号の時間・周波数・複素値領域における情報入力を可能にするため,新しい時間周波数拡散理論を導入する。
RF拡散(RF-Diffusion)は、多種多様な高品質かつ時系列のRFデータを生成する汎用的なソリューションである。
また、5Gネットワークにおいて、Wi-Fiセンシングシステムを強化し、チャネル推定を行う上で、RF拡散の汎用性を示す。
論文 参考訳（メタデータ） (2024-04-14T04:56:05Z) - One-shot Generative Distribution Matching for Augmented RF-based UAV Identification [0.0]
この研究は、限られたRF環境下でRFフィンガープリントを用いて無人航空機(UAV)を特定するという課題に対処する。
RF信号の複雑さと可変性は、環境干渉やハードウェアの不完全性の影響を受け、従来のRFベースの識別手法を効果的にしないことが多い。
変換されたRF信号を増強するためのワンショット生成法は、UAV識別を著しく改善する。
論文 参考訳（メタデータ） (2023-01-20T02:35:43Z) - 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) - 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) - 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) - 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。