論文の概要: Joint Signal Detection and Automatic Modulation Classification via Deep Learning

• arxiv url: http://arxiv.org/abs/2405.00736v1
• Date: Mon, 29 Apr 2024 15:40:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-03 21:02:11.695883
• Title: Joint Signal Detection and Automatic Modulation Classification via Deep Learning
• Title（参考訳）: 深層学習による共同信号検出と自動変調分類
• Authors: Huijun Xing, Xuhui Zhang, Shuo Chang, Jinke Ren, Zixun Zhang, Jie Xu, Shuguang Cui,
• Abstract要約: 本稿では,現実的かつ複雑なシナリオを考慮した共同信号検出と自動変調分類(AMC)について検討する。 このような複数信号共存環境に対する検出・分類(JDM)のための共同フレームワークを提案する。 私たちのコードとデータセットはオープンソースとして利用可能です。
• 参考スコア（独自算出の注目度）: 34.580846369146435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Signal detection and modulation classification are two crucial tasks in various wireless communication systems. Different from prior works that investigate them independently, this paper studies the joint signal detection and automatic modulation classification (AMC) by considering a realistic and complex scenario, in which multiple signals with different modulation schemes coexist at different carrier frequencies. We first generate a coexisting RADIOML dataset (CRML23) to facilitate the joint design. Different from the publicly available AMC dataset ignoring the signal detection step and containing only one signal, our synthetic dataset covers the more realistic multiple-signal coexisting scenario. Then, we present a joint framework for detection and classification (JDM) for such a multiple-signal coexisting environment, which consists of two modules for signal detection and AMC, respectively. In particular, these two modules are interconnected using a designated data structure called "proposal". Finally, we conduct extensive simulations over the newly developed dataset, which demonstrate the effectiveness of our designs. Our code and dataset are now available as open-source (https://github.com/Singingkettle/ChangShuoRadioData).
• Abstract（参考訳）: 信号検出と変調分類は、様々な無線通信システムにおいて2つの重要な課題である。 本稿では,異なる変調方式の複数の信号が異なるキャリア周波数で共存する現実的かつ複雑なシナリオを考慮した共同信号検出と自動変調分類(AMC)について検討する。 まず、共同設計を容易にするために、既存のRADIOMLデータセット(CRML23)を生成する。 信号検出ステップを無視した一般向けAMCデータセットと異なり、我々の合成データセットはより現実的な多重信号共存シナリオをカバーしている。 そこで我々は,信号検出用モジュールとAMCの2つのモジュールからなる複数信号共存環境に対する検出と分類のための共同フレームワークを提案する。 特に、これらの2つのモジュールは、"proposal"と呼ばれる指定されたデータ構造を用いて相互接続される。 最後に、新たに開発したデータセットに対して広範囲なシミュレーションを行い、設計の有効性を実証する。 私たちのコードとデータセットはオープンソースとして公開されています(https://github.com/Singingkettle/ChangShuoRadioData)。

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)
• Federated Learning-based Collaborative Wideband Spectrum Sensing and Scheduling for UAVs in UTM Systems [1.9064735174703886]
  無人航空機における広帯域スペクトルの協調検出とスケジューリングのためのデータ駆動型フレームワークを提案する。 モデルトレーニングの段階では,マルチセル環境におけるデータセット生成について検討する。 第2に、協調スペクトル融合段階において、協調スペクトル融合戦略を提案する。 最後に、スペクトルスケジューリング段階において、検出されたスペクトル孔を二次ユーザへ動的に割り当てるために強化学習ソリューションを利用する。
  論文  参考訳（メタデータ） (2024-06-03T18:39:27Z)
• Transportation mode recognition based on low-rate acceleration and location signals with an attention-based multiple-instance learning network [4.864246405617091]
  交通モード認識(TMR)はヒト活動認識(HAR)の重要な構成要素である そこで本研究では,2種類の信号を有効かつロバストな分類器に組み合わせる手法を提案する。 両信号のサンプリングレートが非常に低いので, 電池消費を抑えることができる。
  論文  参考訳（メタデータ） (2024-04-05T11:49:48Z)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• 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)
• On Neural Architectures for Deep Learning-based Source Separation of Co-Channel OFDM Signals [104.11663769306566]
  周波数分割多重化(OFDM)信号を含む単一チャネル音源分離問題について検討する。 我々はOFDM構造からの洞察に基づいて、ネットワークパラメータ化に対する重要なドメインインフォームド修正を提案する。
  論文  参考訳（メタデータ） (2023-03-11T16:29:13Z)
• Orthogonal-Coding-Based Feature Generation for Transductive Open-Set Recognition via Dual-Space Consistent Sampling [11.929584800629673]
  Open-set Recognition (OSR)は、未知のクラスサンプルを同時に検出し、既知のクラスサンプルを分類することを目的としている。 我々は,3つのモジュールを反復的に実装したIT-OSRという反復型トランスダクティブOSRフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-13T04:29:20Z)
• 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)
• Unsupervised Domain Adaptive Learning via Synthetic Data for Person Re-identification [101.1886788396803]
  人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。 残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。 本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
  論文  参考訳（メタデータ） (2021-09-12T15:51:41Z)
• Multi-task Learning Approach for Automatic Modulation and Wireless Signal Classification [1.827510863075184]
  深層ニューラルネットワークの可能性をマルチタスク学習(MTL)フレームワークと組み合わせて活用し、変調と信号分類のタスクを同時に学習します。 我々は、レーダーと複数のラベルとの通信信号からなる唯一の既知のオープン異種無線信号データセットをリリースします。
  論文  参考訳（メタデータ） (2021-01-25T17:43:42Z)

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。