論文の概要: An Online Automatic Modulation Classification Scheme Based on Isolation Distributional Kernel

• arxiv url: http://arxiv.org/abs/2410.02750v1
• Date: Thu, 3 Oct 2024 17:57:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-04 01:03:22.930951
• Title: An Online Automatic Modulation Classification Scheme Based on Isolation Distributional Kernel
• Title（参考訳）: 独立分散カーネルに基づくオンライン自動変調分類方式
• Authors: Xinpeng Li, Zile Jiang, Kai Ming Ting, Ye Zhu,
• Abstract要約: 本稿では,分離分布カーネルに基づく新しいオンラインAMC方式を提案する。 まず、分布カーネルを用いてベースバンド信号を表現するための最初の提案である。 第二に、リアルタイムなチャンネル条件下でオンライン環境でうまく機能する、先駆的なAMC技術を導入する。
• 参考スコア（独自算出の注目度）: 10.102343518449118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic Modulation Classification (AMC), as a crucial technique in modern non-cooperative communication networks, plays a key role in various civil and military applications. However, existing AMC methods usually are complicated and can work in batch mode only due to their high computational complexity. This paper introduces a new online AMC scheme based on Isolation Distributional Kernel. Our method stands out in two aspects. Firstly, it is the first proposal to represent baseband signals using a distributional kernel. Secondly, it introduces a pioneering AMC technique that works well in online settings under realistic time-varying channel conditions. Through extensive experiments in online settings, we demonstrate the effectiveness of the proposed classifier. Our results indicate that the proposed approach outperforms existing baseline models, including two state-of-the-art deep learning classifiers. Moreover, it distinguishes itself as the first online classifier for AMC with linear time complexity, which marks a significant efficiency boost for real-time applications.
• Abstract（参考訳）: 現代の非協調通信ネットワークにおいて重要な技術である自動変調分類(AMC)は、様々な民間・軍事的応用において重要な役割を担っている。 しかし、既存のAMCメソッドは通常複雑であり、高い計算複雑性のためのみバッチモードで動作する。 本稿では,分離分布カーネルに基づく新しいオンラインAMC方式を提案する。 我々の方法は二つの点で際立っている。 まず、分布カーネルを用いてベースバンド信号を表現するための最初の提案である。 第二に、リアルタイムなチャンネル条件下でオンライン環境でうまく機能する、先駆的なAMC技術を導入する。 オンライン設定における広範な実験を通じて,提案手法の有効性を実証する。 提案手法は,最先端の2つのディープラーニング分類器を含む,既存のベースラインモデルより優れていることを示す。 さらに、線形時間複雑性を持つAMCのオンライン分類器としては初めてであり、リアルタイムアプリケーションでは大幅な効率向上を図っている。

関連論文リスト

• SAIL: Self-Improving Efficient Online Alignment of Large Language Models [56.59644677997827]
  人間のフィードバックからの強化学習は、大きな言語モデルを人間の好みに合わせるための重要な方法である。 近年の文献では、オンラインRLHF法の設計に焦点が当てられているが、統一された概念的定式化はいまだに欠けている。 提案手法は,計算オーバーヘッドを最小限に抑えたオープンソースデータセットのアライメント性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-06-21T18:05:35Z)
• Using Early Exits for Fast Inference in Automatic Modulation Classification [7.531126877550286]
  自動変調分類(AMC)は、無線スペクトルを介して送信される信号を自律的に分類することで、無線通信において重要な役割を果たす。 深層学習(DL)技術は、複雑な無線信号の特徴を抽出する能力のため、AMCにますます使われている。 本稿では,AMC が推論を高速化するために利用する DL モデルに対する早期終了(EE) 手法の適用を提案する。
  論文  参考訳（メタデータ） (2023-08-22T00:51:44Z)
• AMC-Net: An Effective Network for Automatic Modulation Classification [22.871024969842335]
  本稿では,マルチスケールかつ効率的な特徴抽出を行いながら,周波数領域の入力信号をノイズ化することで認識を改善する新しいAMC-Netを提案する。 2つの代表的なデータセットの実験により、我々のモデルは、現在の方法よりも効率と効率が良いことを示した。
  論文  参考訳（メタデータ） (2023-04-02T04:26:30Z)
• Making Linear MDPs Practical via Contrastive Representation Learning [101.75885788118131]
  マルコフ決定過程(MDP)における次元性の呪いに、低ランク表現を利用することで対処することが一般的である。 本稿では,効率的な表現学習を可能にしつつ,正規化を自動的に保証する線形MDPの代替的定義について考察する。 いくつかのベンチマークにおいて、既存の最先端モデルベースおよびモデルフリーアルゴリズムよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-07-14T18:18:02Z)
• 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)
• Integrate Lattice-Free MMI into End-to-End Speech Recognition [87.01137882072322]
  音声認識(ASR)研究において、識別基準はDNN-HMMシステムにおいて優れた性能を達成している。 このモチベーションにより、差別的基準の採用は、エンドツーエンド(E2E)のASRシステムの性能を高めることを約束している。 これまでの研究は、最小ベイズリスク(MBR、差別基準の一つ)をE2E ASRシステムに導入してきた。 本研究では,他の広く使われている識別基準であるLF-MMIをE2Eに統合する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-29T14:32:46Z)
• Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
  大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。 一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。 本稿では2つの新しい推定法を提案する。
  論文  参考訳（メタデータ） (2021-09-06T13:42:32Z)
• Momentum Pseudo-Labeling for Semi-Supervised Speech Recognition [55.362258027878966]
  本稿では,半教師付き音声認識のための簡易かつ効果的な手法として,モーメント擬似ラベル(MPL)を提案する。 MPLは、平均的な教師メソッドにインスパイアされて、相互に相互作用し、学習するオンラインとオフラインの2つのモデルで構成されている。 実験の結果,MPLはベースモデルよりも効果的に改善され,様々な半教師付きシナリオに拡張可能であることが示された。
  論文  参考訳（メタデータ） (2021-06-16T16:24:55Z)
• Online Multi-agent Reinforcement Learning for Decentralized Inverter-based Volt-VAR Control [3.260913246106564]
  分散Volt/Var制御(VVC)法はアクティブ分散ネットワーク(ADN)において広く研究されている。 本稿では,VVCのためのオンラインマルチエージェント強化学習と分散制御フレームワーク(OLDC)を提案する。
  論文  参考訳（メタデータ） (2020-06-23T09:03:46Z)

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。