論文の概要: Data Driven Environmental Awareness Using Wireless Signals for Efficient Spectrum Sharing

• arxiv url: http://arxiv.org/abs/2410.13159v1
• Date: Thu, 17 Oct 2024 02:28:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-18 13:18:14.715612
• Title: Data Driven Environmental Awareness Using Wireless Signals for Efficient Spectrum Sharing
• Title（参考訳）: 効率的なスペクトル共有のための無線信号を用いたデータ駆動環境認識
• Authors: Hossein Nasiri, Seda Dogan-Tusha, Muhammad Iqbal Rochman, Monisha Ghosh,
• Abstract要約: 屋内機器と屋外機器の区別は信頼性を高め、既存の屋外機器との共存性を向上させる。 本研究では、デバイスが直面している電波環境が屋内と屋外とでかなり異なるという事実を活用して、頑健な屋内・屋外の分類手法を提案する。
• 参考スコア（独自算出の注目度）: 1.4776238523338288
• License:
• Abstract: Robust classification of the operational environment of wireless devices is becoming increasingly important for wireless network optimization, particularly in a shared spectrum environment. Distinguishing between indoor and outdoor devices can enhance reliability and improve coexistence with existing, outdoor, incumbents. For instance, the unlicensed but shared 6 GHz band (5.925 - 7.125 GHz) enables sharing by imposing lower transmit power for indoor unlicensed devices and a spectrum coordination requirement for outdoor devices. Further, indoor devices are prohibited from using battery power, external antennas, and weatherization to prevent outdoor operations. As these rules may be circumvented, we propose a robust indoor/outdoor classification method by leveraging the fact that the radio-frequency environment faced by a device are quite different indoors and outdoors. We first collect signal strength data from all cellular and Wi-Fi bands that can be received by a smartphone in various environments (indoor interior, indoor near windows, and outdoors), along with GPS accuracy, and then evaluate three machine learning (ML) methods: deep neural network (DNN), decision tree, and random forest to perform classification into these three categories. Our results indicate that the DNN model performs the best, particularly in minimizing the most important classification error, that of classifying outdoor devices as indoor interior devices.
• Abstract（参考訳）: 無線機器の運用環境のロバストな分類は、特に共有スペクトル環境において、無線ネットワーク最適化においてますます重要になっている。 屋内機器と屋外機器の区別は信頼性を高め、既存の屋外機器との共存性を向上させる。 例えば、ライセンスされていないが共有されている6GHzバンド(5.925 - 7.125 GHz)は、屋内機器の低送信電力を付与し、屋外機器のスペクトル調整要求を課すことで、共有を可能にする。 また、室内機器は、屋外操作を防止するため、バッテリ電源、外部アンテナ、天気予報の使用を禁止している。 これらのルールを回避できるため、デバイスが直面している電波環境が屋内と屋外とでかなり異なるという事実を生かして、堅牢な屋内・屋外の分類手法を提案する。 まず、様々な環境(屋内、屋内の窓、屋外)のスマートフォンから受信できるすべての携帯電話とWi-Fiバンドからの信号強度データをGPSの精度とともに収集し、さらに深層ニューラルネットワーク(DNN)、決定木、ランダム森林の3つの機械学習(ML)手法を評価し、これらの3つのカテゴリに分類する。 以上の結果から,DNNモデルは室内機器を室内機器として分類する上で,特に最も重要な分類誤差を最小限に抑える上で,最高の性能を発揮することが示唆された。

関連論文リスト

• RayProNet: A Neural Point Field Framework for Radio Propagation Modeling in 3D Environments [1.7074276434401858]
  本稿では,無線チャネルモデリングのための機械学習を利用した新しい手法を提案する。 主な材料は、ポイントクラウドベースのニューラルネットワークと、光プローブを備えた球高調波エンコーダである。
  論文  参考訳（メタデータ） (2024-06-04T01:06:41Z)
• Spatial-Domain Wireless Jamming with Reconfigurable Intelligent Surfaces [20.406776153173176]
  本研究では,無線ジャミング信号の環境適応空間制御を実現する新しい手法を提案する。 我々は、Wi-Fiデバイスを完全に否定する一方で、5mm近い距離に位置する第2のデバイスは影響を受けないままであることを示す。
  論文  参考訳（メタデータ） (2024-02-21T12:50:44Z)
• Deep Reinforcement Learning for Interference Management in UAV-based 3D Networks: Potentials and Challenges [137.47736805685457]
  チャネル情報を知らなくても干渉を効果的に軽減できることを示す。 干渉を利用することにより、提案された解決策は民間UAVの継続的な成長を可能にする。
  論文  参考訳（メタデータ） (2023-05-11T18:06:46Z)
• Autoencoder-based Radio Frequency Interference Mitigation For SMAP Passive Radiometer [6.5358895450258325]
  1400-1427MHzで作動するラジオメータは、地上からの電波周波数干渉(RFI)を保護している。 本稿では,自己エンコーダをベースとしたRFI緩和手法を提案する。
  論文  参考訳（メタデータ） (2023-04-25T21:37:51Z)
• Hands-on Wireless Sensing with Wi-Fi: A Tutorial [7.8774878397748065]
  このチュートリアルでは、Wi-Fiセンシングを例に挙げる。 データ収集、信号処理、特徴抽出、モデル設計の理論的原則とコード実装の両方を導入している。
  論文  参考訳（メタデータ） (2022-06-20T01:53:35Z)
• GraSens: A Gabor Residual Anti-aliasing Sensing Framework for Action Recognition using WiFi [52.530330427538885]
  WiFiベースのヒューマンアクション認識(HAR)は、スマートリビングやリモート監視といったアプリケーションにおいて、有望なソリューションと見なされている。 本稿では,無線機器からのWiFi信号を用いた動作を,多様なシナリオで直接認識する,エンド・ツー・エンドのGabor残差検知ネットワーク(GraSens)を提案する。
  論文  参考訳（メタデータ） (2022-05-24T10:20:16Z)
• UAV-aided RF Mapping for Sensing and Connectivity in Wireless Networks [52.14281905671453]
  無人航空機(UAV)を空飛ぶ無線アクセスネットワーク(RAN)ノードとして使用することは、従来の固定地上配備を補完する。 無線マッピングは、この課題に関連する課題の1つであり、ここでは無線マッピングと呼ばれている。 接続性, センサ性, ローカライゼーション性能の観点から, 無線マッピングによる利点を示す。
  論文  参考訳（メタデータ） (2022-05-06T16:16:08Z)
• Optical flow-based branch segmentation for complex orchard environments [73.11023209243326]
  シミュレーションでは、シミュレーションでは、シミュレーションされたRGBデータと光フローのみを用いてニューラルネットワークシステムを訓練する。 このニューラルネットワークは、忙しい果樹園環境において、追加の現実世界のトレーニングや、標準カメラ以外の特別な設定や機器を使用することなく、前景の枝のセグメンテーションを行うことができる。 その結果,本システムは高精度であり,手動ラベル付きRGBDデータを用いたネットワークと比較すると,トレーニングセットと異なる環境において,より一貫性と堅牢性を実現していることがわかった。
  論文  参考訳（メタデータ） (2022-02-26T03:38:20Z)
• Deep Neural Network Feature Designs for RF Data-Driven Wireless Device Classification [9.05607520128194]
  本稿では、RF通信信号の異なる構造と、送信機ハードウェア障害に起因するスペクトル放射を利用する新しい特徴設計手法を提案する。 提案するDNNの特徴は,拡張性,精度,シグネチャ・アンチ・クローニング,環境摂動に対する非感受性の観点から,分類の堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-03-02T20:19:05Z)
• Moving Object Classification with a Sub-6 GHz Massive MIMO Array using Real Data [64.48836187884325]
  無線信号を用いた屋内環境における各種活動の分類は,様々な応用の新たな技術である。 本論文では,屋内環境におけるマルチインプット・マルチアウトプット(MIMO)システムから,機械学習を用いて移動物体の分類を解析する。
  論文  参考訳（メタデータ） (2021-02-09T15:48:35Z)
• Blind Federated Edge Learning [93.29571175702735]
  フェデレーションエッジ学習(FEEL)について検討し,それぞれが独自のデータセットを持つ無線エッジデバイスでグローバルモデルを学ぶ。 そこで本研究では,デバイスがローカル更新を非符号化方式で送信する,アナログオーバ・ザ・エアのアグリゲーション方式を提案する。
  論文  参考訳（メタデータ） (2020-10-19T16:22:28Z)

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。