論文の概要: Digital Operating Mode Classification of Real-World Amateur Radio Transmissions
- arxiv url: http://arxiv.org/abs/2501.07337v1
- Date: Mon, 13 Jan 2025 13:48:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-14 14:21:05.779071
- Title: Digital Operating Mode Classification of Real-World Amateur Radio Transmissions
- Title（参考訳）: 実世界アマチュア無線伝送のディジタルオペレーティングモード分類
- Authors: Maximilian Bundscherer, Thomas H. Schmitt, Ilja Baumann, Tobias Bocklet,
- Abstract要約: 我々は17個のデジタル動作モードから98種類のパラメータ化無線信号を生成し,それぞれを70cm(UHF)アマチュア無線帯域に送信した。
3つの軽量MLモデルは、ランダム文字をペイロードとして制限された非送信信号のスペクトログラムにのみ訓練された。
我々の最良のモデルであるEfficientNetB0は17の動作モードで93.80%、98のパラメータ化された無線信号で85.47%の精度を達成した。
- 参考スコア（独自算出の注目度）: 4.921933116493432
- License:
- Abstract: This study presents an ML approach for classifying digital radio operating modes evaluated on real-world transmissions. We generated 98 different parameterized radio signals from 17 digital operating modes, transmitted each of them on the 70 cm (UHF) amateur radio band, and recorded our transmissions with two different architectures of SDR receivers. Three lightweight ML models were trained exclusively on spectrograms of limited non-transmitted signals with random characters as payloads. This training involved an online data augmentation pipeline to simulate various radio channel impairments. Our best model, EfficientNetB0, achieved an accuracy of 93.80% across the 17 operating modes and 85.47% across all 98 parameterized radio signals, evaluated on our real-world transmissions with Wikipedia articles as payloads. Furthermore, we analyzed the impact of varying signal durations & the number of FFT bins on classification, assessed the effectiveness of our simulated channel impairments, and tested our models across multiple simulated SNRs.
- Abstract（参考訳）: 本研究は,実世界の伝送で評価されたディジタル無線動作モードを分類するためのML手法を提案する。
我々は17個のデジタル動作モードから98種類のパラメータ化された無線信号を発生し、それぞれ70cmのアマチュア無線帯域で送信し、SDR受信機を2つの異なるアーキテクチャで送信した。
3つの軽量MLモデルは、ランダム文字をペイロードとして制限された非送信信号のスペクトログラムにのみ訓練された。
このトレーニングには、様々な無線チャネル障害をシミュレートするオンラインデータ拡張パイプラインが含まれていた。
我々の最良のモデルであるEfficientNetB0は17の動作モードで93.80%、98のパラメータ化された無線信号で85.47%の精度を達成した。
さらに、異なる信号持続時間とFFTビン数の違いが分類に与える影響を分析し、シミュレートされたチャネル障害の有効性を評価し、複数のシミュレートされたSNRでモデルを検証した。
関連論文リスト
- Radar Signal Recognition through Self-Supervised Learning and Domain Adaptation [48.265859815346985]
RFサンプルとラベルを限定した環境下でのレーダ信号認識を強化するための自己教師付き学習(SSL)手法を提案する。
具体的には,各種RF領域のベースバンド内位相および2次(I/Q)信号に対する事前学習マスク付きオートエンコーダ(MAE)について検討する。
その結果,ドメイン適応型軽量自己教師型ResNetモデルでは,1ショットの分類精度が最大17.5%向上した。
論文 参考訳（メタデータ） (2025-01-07T01:35:56Z) - RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
本稿では、新しいデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。
まず、干渉除去アルゴリズムの開発と解析の基礎となる洞察に富んだ信号モデルを提案する。
第2に,さまざまなRF信号とコードテンプレートを備えた公開データセットであるRF Challengeを紹介する。
第3に,UNetやWaveNetなどのアーキテクチャにおいて,新しいAIに基づく拒絶アルゴリズムを提案し,その性能を8種類の信号混合タイプで評価する。
論文 参考訳（メタデータ） (2024-09-13T13:53:41Z) - Modulation Classification Through Deep Learning Using Resolution
Transformed Spectrograms [3.9511559419116224]
畳み込みニューラルネットワーク(CNN)の近代的アーキテクチャを用いた自動変調分類(AMC)手法を提案する。
我々は、受信したI/Qデータから99.61%の計算負荷削減と8倍の高速変換をもたらす分光器の分解能変換を行う。
この性能は、SqueezeNet、Resnet-50、InceptionResnet-V2、Inception-V3、VGG-16、Densenet-201といった既存のCNNモデルで評価される。
論文 参考訳（メタデータ） (2023-06-06T16:14:15Z) - Disentangled Representation Learning for RF Fingerprint Extraction under
Unknown Channel Statistics [77.13542705329328]
本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。
提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。
実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-08-04T15:46:48Z) - 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) - RF Signal Classification with Synthetic Training Data and its Real-World
Performance [0.0]
本稿では,実環境における実環境性能に対する合成訓練データにモデル化された異なるRF信号障害の影響について検討する。
念入りに設計された合成トレーニングデータのみを使用することで、実世界の操作において最大95%の精度を達成できる。
論文 参考訳（メタデータ） (2022-06-26T20:47:33Z) - Real-Time Radio Technology and Modulation Classification via an LSTM
Auto-Encoder [29.590446724625693]
雑音の多い無線信号から安定かつロバストな特徴を自動的に抽出するLSTMデノケーションオートエンコーダに基づく学習フレームワークを提案する。
現実的な合成と無線データのオーバー・ザ・エアにより,提案手法が受信した無線信号を確実に効率的に分類できることが実証された。
論文 参考訳（メタデータ） (2020-11-16T21:41:31Z) - DeepWiPHY: Deep Learning-based Receiver Design and Dataset for IEEE
802.11ax Systems [39.96358923310134]
DeepWiPHYは、チャネル推定、共通位相誤差(CPE)補正、サンプリングレートオフセット(SRO)補正、IEEE 802.11axベースの周波数分割多重化(OFDM)受信器の等化モジュールを置き換えるディープラーニングベースのアーキテクチャである。
論文 参考訳（メタデータ） (2020-10-19T07:24:10Z) - Conditioning Trick for Training Stable GANs [70.15099665710336]
本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。
我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
論文 参考訳（メタデータ） (2020-10-12T16:50:22Z) - Experimental Investigation of Deep Learning for Digital Signal
Processing in Short Reach Optical Fiber Communications [2.9801732851402556]
リカレントニューラルネットワーク(RNN)を用いた自動エンコーダの性能向上手法について検討する。
特に,最近提案されたスライディングウインドウ双方向RNN(SBRNN)光ファイバーオートエンコーダに着目した。
受信機におけるシーケンス推定アルゴリズムにおける処理ウィンドウの調整は、チャネルモデルに基づいて訓練された単純なシステムのリーチを改善することを示す。
論文 参考訳（メタデータ） (2020-05-18T15:09:41Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳（メタデータ） (2020-02-14T06:58:27Z)
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。