Fugu-MT 論文翻訳(概要): Ultralight Signal Classification Model for Automatic Modulation Recognition

論文の概要: Ultralight Signal Classification Model for Automatic Modulation Recognition

arxiv url: http://arxiv.org/abs/2412.19585v1
Date: Fri, 27 Dec 2024 11:03:26 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-30 17:24:42.413147
Title: Ultralight Signal Classification Model for Automatic Modulation Recognition
Title（参考訳）: 自動変調認識のための光信号分類モデル
Authors: Alessandro Daniele Genuardi Oquendo, Agustín Matías Galante Cerviño, Nilotpal Sinha, Luc Andrea, Sam Mugel, Román Orús,
Abstract要約: エッジアプリケーションに最適化された超軽量ハイブリッドニューラルネットワークを提案する。クラス毎に100サンプル未満のサンプルを使用して、好ましくない信号と雑音の比率で堅牢なパフォーマンスを実現し、計算オーバーヘッドを大幅に削減します。
参考スコア（独自算出の注目度）: 37.69303106863453
License:
Abstract: The growing complexity of radar signals demands responsive and accurate detection systems that can operate efficiently on resource-constrained edge devices. Existing models, while effective, often rely on substantial computational resources and large datasets, making them impractical for edge deployment. In this work, we propose an ultralight hybrid neural network optimized for edge applications, delivering robust performance across unfavorable signal-to-noise ratios (mean accuracy of 96.3% at 0 dB) using less than 100 samples per class, and significantly reducing computational overhead.
Abstract（参考訳）: レーダー信号の複雑さの増大は、リソース制約されたエッジデバイス上で効率的に動作可能な応答性および正確な検出システムを要求する。既存のモデルは効果的だが、多くの場合、かなりの計算資源と大規模なデータセットに依存しており、エッジデプロイメントでは実用的ではない。本研究では,エッジアプリケーションに最適化された超軽量ハイブリッドニューラルネットワークを提案し,クラス当たり100サンプル未満を用いて,好ましくない信号-雑音比(平均精度96.3%,0dB)で堅牢な性能を実現し,計算オーバーヘッドを著しく低減する。

関連論文リスト

Real-Time Stress Detection via Photoplethysmogram Signals: Implementation of a Combined Continuous Wavelet Transform and Convolutional Neural Network on Resource-Constrained Microcontrollers [0.20971479389679332]
本稿では,フォトプレソグラム(SAD)信号の解析のために設計された畳み込みニューラルネットワーク(CNN)を用いた頑健なストレス検出システムを提案する。本研究では、連続ウェーブレット変換(CWT)を用いて、手首PPG信号から情報的特徴を抽出し、ストレス検出と学習の強化を図った。
論文参考訳（メタデータ） (2024-10-14T06:43:51Z)
Angle of Arrival Estimation with Transformer: A Sparse and Gridless Method with Zero-Shot Capability [3.110068567404913]
本研究では,高速グリッドレスAOA推定のためのAAETR (Angle of Arrival Estimation with TRansformer)を提案する。様々な信号対雑音比(SNR)とマルチターゲットシナリオの総合的な評価は、AAETRの超分解能AOAアルゴリズムよりも優れた性能を示している。
論文参考訳（メタデータ） (2024-08-18T05:24:18Z)
Explicit Foundation Model Optimization with Self-Attentive Feed-Forward Neural Units [4.807347156077897]
バックプロパゲーションを用いた反復近似法はニューラルネットワークの最適化を可能にするが、大規模に使用すると計算コストがかかる。本稿では、ニューラルネットワークのスケーリングコストを削減し、低リソースアプリケーションに高効率な最適化を提供する、ニューラルネットワークの最適化のための効率的な代替手段を提案する。
論文参考訳（メタデータ） (2023-11-13T17:55:07Z)
Dilated convolutional neural network for detecting extreme-mass-ratio inspirals [8.809900732195281]
本稿では,周波数領域におけるシーケンスモデリングによるEMRI信号検出に着目したエンドツーエンドモデルDECODEを提案する。我々は,SNRを50～120に蓄積した1年間のデータから,真正の96.3%を偽正の1%で達成した。
論文参考訳（メタデータ） (2023-08-31T03:16:38Z)
Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文参考訳（メタデータ） (2022-08-24T07:50:43Z)
Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文参考訳（メタデータ） (2022-06-29T23:22:18Z)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。 RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
論文参考訳（メタデータ） (2020-03-16T16:54:36Z)
Highly Efficient Salient Object Detection with 100K Parameters [137.74898755102387]
そこで我々は,段階内および複数ステージのマルチスケール機能を効率的に活用するために,フレキシブルな畳み込みモジュールであるOctoConv(gOctConv)を提案する。我々は、非常に軽量なモデル、すなわちCSNetを構築し、一般的なオブジェクト検出ベンチマークで、約0.2%(100k)の大規模モデルで同等のパフォーマンスを達成する。
論文参考訳（メタデータ） (2020-03-12T07:00:46Z)

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。