論文の概要: A Lightweight Deep Learning Model for Automatic Modulation Classification using Dual Path Deep Residual Shrinkage Network

• arxiv url: http://arxiv.org/abs/2507.04586v1
• Date: Mon, 07 Jul 2025 00:37:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.243062
• Title: A Lightweight Deep Learning Model for Automatic Modulation Classification using Dual Path Deep Residual Shrinkage Network
• Title（参考訳）: デュアルパス深部収縮網を用いた重み付き深部学習モデルによる自動変調分類
• Authors: Prakash Suman, Yanzhen Qu,
• Abstract要約: 自動変調分類(AMC)はスペクトル効率を高める上で重要な役割を果たしている。 低複雑性と高い分類精度のバランスをとる軽量AMCモデルの必要性が高まっている。 本稿では,資源制約エッジデバイスに最適化された低複雑さ,軽量深層学習(DL)AMCモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient spectrum utilization is critical to meeting the growing data demands of modern wireless communication networks. Automatic Modulation Classification (AMC) plays a key role in enhancing spectrum efficiency by accurately identifying modulation schemes in received signals-an essential capability for dynamic spectrum allocation and interference mitigation, particularly in cognitive radio (CR) systems. With the increasing deployment of smart edge devices, such as IoT nodes with limited computational and memory resources, there is a pressing need for lightweight AMC models that balance low complexity with high classification accuracy. This paper proposes a low-complexity, lightweight deep learning (DL) AMC model optimized for resource-constrained edge devices. We introduce a dual-path deep residual shrinkage network (DP-DRSN) with Garrote thresholding for effective signal denoising and design a compact hybrid CNN-LSTM architecture comprising only 27,000 training parameters. The proposed model achieves average classification accuracies of 61.20%, 63.78%, and 62.13% on the RML2016.10a, RML2016.10b, and RML2018.01a datasets, respectively demonstrating a strong balance between model efficiency and classification performance. These results underscore the model's potential for enabling accurate and efficient AMC on-edge devices with limited resources.
• Abstract（参考訳）: 効率的なスペクトル利用は、現代の無線通信ネットワークの増大するデータ要求を満たすために重要である。 自動変調分類(AMC)は、特に認知無線(CR)システムにおいて、受信信号における変調スキームを正確に識別し、スペクトル効率を高める上で重要な役割を担っている。 計算リソースとメモリリソースが限られているIoTノードなどのスマートエッジデバイスのデプロイが増加する中、複雑性の低下と高い分類精度のバランスをとる軽量AMCモデルの必要性が高まっている。 本稿では,資源制約エッジデバイスに最適化された低複雑さ,軽量深層学習(DL)AMCモデルを提案する。 27,000のトレーニングパラメータのみからなるCNN-LSTMアーキテクチャを設計・設計するために,ガロテしきい値を用いたデュアルパスディープ残留収縮ネットワーク(DP-DRSN)を導入する。 提案したモデルは、RML2016.10a、RML2016.10b、RML2018.01aデータセットの平均分類精度を61.20%、63.78%、62.13%とし、それぞれモデル効率と分類性能の強いバランスを示す。 これらの結果は、限られたリソースを持つ正確で効率的なAMCオンエッジデバイスを実現するためのモデルの可能性を強調している。

関連論文リスト

• Large Language Model-Driven Distributed Integrated Multimodal Sensing and Semantic Communications [5.646293779615063]
  本稿では,新しい大規模言語モデル (LLM) による分散分散マルチモーダルセンシングとセマンティックコミュニケーションフレームワークを提案する。 具体的には、RFモジュールとカメラモジュールを備えた複数の協調センシング装置で構成されている。 Genesis シミュレーションエンジンにより生成された合成多視点RF-視覚データセットの評価結果から,LLM-DiSAC が良好な性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-05-20T08:00:00Z)
• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• ALWNN Empowered Automatic Modulation Classification: Conquering Complexity and Scarce Sample Conditions [24.59462798452397]
  本稿では、適応軽量ウェーブレットニューラルネットワーク(ALWNN)とマルチショットフレームワーク(MALWNN)に基づく自動変調分類モデルを提案する。 ALWNNモデルは適応ウェーブレットニューラルネットワークと深度分離可能な畳み込みを統合することで、モデルパラメータの数と計算複雑性を低減する。 MALWNNの実験では、他のアルゴリズムと比較して、数ショットの学習シナリオでは優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-24T06:14:33Z)
• BiLSTM and Attention-Based Modulation Classification of Realistic Wireless Signals [2.0650230600617534]
  提案モデルでは,無線信号の複数の表現をネットワークへの入力として利用する。 BiLSTM層の後、重要な時間的特徴を強調するために注意層が使用される。 最近のリアルなRML22データセットの実験結果は、提案モデルの性能が99%の精度で向上したことを示している。
  論文  参考訳（メタデータ） (2024-08-14T01:17:19Z)
• MoE-AMC: Enhancing Automatic Modulation Classification Performance Using Mixture-of-Experts [2.6764607949560593]
  MoE-AMCは、Mixture-of-Experts (MoE)ベースの新しいモデルで、AMC(Automatic Modulation Classification)にバランスよく対処するために開発された。 MoE-AMCは低SNR信号を扱うLSRMと高SNR信号を扱うHSRMの強度をシームレスに結合する。 実験の結果、MoE-AMCはSNRレベルによって71.76%の平均的な分類精度を達成し、以前のSOTAモデルの性能を10%近く上回った。
  論文  参考訳（メタデータ） (2023-12-04T19:31:15Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• 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)
• An Efficient Deep Learning Model for Automatic Modulation Recognition Based on Parameter Estimation and Transformation [3.3941243094128035]
  本稿では,位相パラメータ推定と変換に基づく効率的なDL-AMRモデルを提案する。 我々のモデルは、類似の認識精度を持つベンチマークモデルよりも、トレーニング時間とテスト時間で競争力がある。
  論文  参考訳（メタデータ） (2021-10-11T03:28:28Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned Edge Learning Over Broadband Channels [69.18343801164741]
  パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。 本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
  論文  参考訳（メタデータ） (2020-10-08T15:27:50Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)

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。