論文の概要: SATSense: Multi-Satellite Collaborative Framework for Spectrum Sensing
- arxiv url: http://arxiv.org/abs/2405.15542v1
- Date: Fri, 24 May 2024 13:29:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-27 13:59:53.571468
- Title: SATSense: Multi-Satellite Collaborative Framework for Spectrum Sensing
- Title（参考訳）: SATSense: スペクトルセンシングのためのマルチサテライト協調フレームワーク
- Authors: Haoxuan Yuan, Zhe Chen, Zheng Lin, Jinbo Peng, Zihan Fang, Yuhang Zhong, Zihang Song, Yue Gao,
- Abstract要約: ローアース・オービター・インターネット(英語版)は最近展開され、地球外のネットワークで世界中にサービスを提供している。
複数の衛星からの多様なデータを利用した協調センシング手法を提案する。
本稿では,効率的なスペクトルセンシングを実現するために,グラフニューラルネットワークに基づくアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 13.456786799919472
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low Earth Orbit satellite Internet has recently been deployed, providing worldwide service with non-terrestrial networks. With the large-scale deployment of both non-terrestrial and terrestrial networks, limited spectrum resources will not be allocated enough. Consequently, dynamic spectrum sharing is crucial for their coexistence in the same spectrum, where accurate spectrum sensing is essential. However, spectrum sensing in space is more challenging than in terrestrial networks due to variable channel conditions, making single-satellite sensing unstable. Therefore, we first attempt to design a collaborative sensing scheme utilizing diverse data from multiple satellites. However, it is non-trivial to achieve this collaboration due to heterogeneous channel quality, considerable raw sampling data, and packet loss. To address the above challenges, we first establish connections between the satellites by modeling their sensing data as a graph and devising a graph neural network-based algorithm to achieve effective spectrum sensing. Meanwhile, we establish a joint sub-Nyquist sampling and autoencoder data compression framework to reduce the amount of transmitted sensing data. Finally, we propose a contrastive learning-based mechanism compensates for missing packets. Extensive experiments demonstrate that our proposed strategy can achieve efficient spectrum sensing performance and outperform the conventional deep learning algorithm in spectrum sensing accuracy.
- Abstract（参考訳）: ローアース・オービター・インターネット(英語版)は最近展開され、地球外のネットワークで世界中にサービスを提供している。
地上ネットワークと地上ネットワークの両方を大規模に展開することで、限られたスペクトル資源を割り当てることはできない。
したがって、ダイナミックスペクトルの共有は、正確なスペクトルセンシングが不可欠である同じスペクトルの共存に不可欠である。
しかし、宇宙空間でのスペクトルセンシングは、可変チャネル条件により地上ネットワークよりも困難であり、単一衛星センシングは不安定である。
そこで,我々はまず,複数の衛星からの多様なデータを利用した協調センシング手法を設計する。
しかし、異種チャネルの品質、かなりのサンプルデータ、パケットロスなどにより、このコラボレーションを実現するのは簡単ではない。
上記の課題に対処するために、我々はまず、そのセンシングデータをグラフとしてモデル化し、効率的なスペクトルセンシングを実現するためにグラフニューラルネットワークベースのアルゴリズムを考案し、衛星間の接続を確立する。
一方、送信されたセンシングデータの量を削減するために、サブNyquistサンプリングとオートエンコーダデータ圧縮フレームワークを共同で構築する。
最後に,パケットの欠落を補償するコントラスト学習機構を提案する。
広汎な実験により,提案手法は高効率なスペクトルセンシング性能を実現し,スペクトルセンシング精度で従来のディープラーニングアルゴリズムより優れていることが示された。
関連論文リスト
- Federated Learning for UAV-Based Spectrum Sensing: Enhancing Accuracy Through SNR-Weighted Model Aggregation [0.0]
無人航空機(UAV)ネットワークは、3D空間、その課題、そして機会に関して異なる視点を必要とする。
本稿では,その分散特性と計算能力の制限を考慮した,UAVネットワークにおけるスペクトルセンシングのためのFLに基づく手法を提案する。
我々はまた、UAVが観測した信号と雑音の比率を考慮し、グローバルモデルを得るフェデレーションアグリゲーション手法、すなわちFedSNRを開発した。
論文 参考訳（メタデータ） (2024-11-17T19:24:49Z) - SatFed: A Resource-Efficient LEO Satellite-Assisted Heterogeneous Federated Learning Framework [19.59862482196897]
資源効率の高い衛星支援ヘテロジニアスFLフレームワークであるSatFedを提案する。
SatFedは、高度に制約された衛星地上帯域の利用を最適化するために、鮮度に基づくモデルの優先順位付けキューを実装している。
実世界のLEO衛星ネットワークを用いた実験により、SatFedは最先端のベンチマークよりも優れた性能と堅牢性を発揮することが示された。
論文 参考訳（メタデータ） (2024-09-20T13:44:00Z) - Satellite Federated Edge Learning: Architecture Design and Convergence Analysis [47.057886812985984]
本稿では,FEDMEGAという新しいFEELアルゴリズムを提案する。
軌道内モデルアグリゲーションのための衛星間リンク(ISL)を統合することにより、提案アルゴリズムは低データレートと断続的なGSLの使用を著しく削減する。
提案手法は,環全リデューサに基づく軌道内アグリゲーション機構と,グローバルモデルアグリゲーションのためのネットワークフローベースのトランスミッションスキームを組み合わせたものである。
論文 参考訳（メタデータ） (2024-04-02T11:59:58Z) - 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) - Federated Learning for Distributed Spectrum Sensing in NextG
Communication Networks [3.509171590450989]
NextGネットワークは、既存のユーザとスペクトルを共有する柔軟性を提供することを目的としている。
無線センサのネットワークは、大規模な展開領域における信号伝達のスペクトルを監視するために必要である。
精度を向上させるために、個々のセンサは、センサーデータまたはセンサー結果を相互または融合センタで交換することができる。
論文 参考訳（メタデータ） (2022-04-06T18:18:42Z) - 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) - From One to Many: A Deep Learning Coincident Gravitational-Wave Search [58.720142291102135]
単一検出器からの非スピン型二元ブラックホールデータに基づいてトレーニングされたニューラルネットワークを用いて、二元ブラックホールの融合から重力波を2検出器で探索する。
これらの単純な2検出器ネットワークはいずれも、検出器のデータに個別にネットワークを適用するよりも感度を向上させることができない。
論文 参考訳（メタデータ） (2021-08-24T13:25:02Z) - Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。
本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-08T12:48:06Z) - Spectral Synthesis for Satellite-to-Satellite Translation [6.266622997342922]
マルチスペクトルセンサーを搭載した地球観測衛星は、大気、陸、海洋の物理的および生物学的状態を監視するために広く利用されている。
これらの衛星は、地球上の異なるバンテージポイントを持ち、異なるスペクトルイメージングバンドを持ち、互いに一貫性のない画像を生み出す。
我々は、部分ラベルを用いた教師なし画像-画像変換問題として、マルチスペクトルセンサの合成スペクトル画像を生成する問題に取り組む。
論文 参考訳（メタデータ） (2020-10-12T21:36:39Z) - Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral
Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。
3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文 参考訳（メタデータ） (2020-07-10T08:08:20Z)
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。