論文の概要: Spectrum Prediction in the Fractional Fourier Domain with Adaptive Filtering

• arxiv url: http://arxiv.org/abs/2508.17872v1
• Date: Mon, 25 Aug 2025 10:26:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.730348
• Title: Spectrum Prediction in the Fractional Fourier Domain with Adaptive Filtering
• Title（参考訳）: 適応フィルタを用いたフラクタルフーリエ領域のスペクトル予測
• Authors: Yanghao Qin, Bo Zhou, Guangliang Pan, Qihui Wu, Meixia Tao,
• Abstract要約: 本稿では,SFFP(Spectral Fractional Filtering and Prediction)フレームワークを提案する。 SFFPはまず適応分数フーリエ変換(FrFT)モジュールを用いてスペクトルデータを適切な分数フーリエ領域に変換する。 適応フィルタモジュールは、この領域内で重要な予測特性を保持しながらノイズを選択的に抑制する。 複雑な価値を持つニューラルネットワークを活用する予測モジュールは、これらのフィルタされたトレンドコンポーネントを学習し、予測する。
• 参考スコア（独自算出の注目度）: 36.68622428112744
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate spectrum prediction is crucial for dynamic spectrum access (DSA) and resource allocation. However, due to the unique characteristics of spectrum data, existing methods based on the time or frequency domain often struggle to separate predictable patterns from noise. To address this, we propose the Spectral Fractional Filtering and Prediction (SFFP) framework. SFFP first employs an adaptive fractional Fourier transform (FrFT) module to transform spectrum data into a suitable fractional Fourier domain, enhancing the separability of predictable trends from noise. Subsequently, an adaptive Filter module selectively suppresses noise while preserving critical predictive features within this domain. Finally, a prediction module, leveraging a complex-valued neural network, learns and forecasts these filtered trend components. Experiments on real-world spectrum data show that the SFFP outperforms leading spectrum and general forecasting methods.
• Abstract（参考訳）: 正確なスペクトル予測は動的スペクトルアクセス(DSA)と資源割り当てに不可欠である。 しかし、スペクトルデータの特徴から、時間や周波数領域に基づく既存の手法では、予測可能なパターンをノイズから分離することがしばしば困難である。 そこで本研究では,SFFP(Spectral Fractional Filtering and Prediction)フレームワークを提案する。 SFFPはまず適応分数フーリエ変換(FrFT)モジュールを用いて、スペクトルデータを適切な分数フーリエ領域に変換する。 その後、適応フィルタモジュールは、この領域内で重要な予測特性を保持しながらノイズを選択的に抑制する。 最後に、複雑な価値を持つニューラルネットワークを活用する予測モジュールは、これらのフィルタされたトレンドコンポーネントを学習し、予測する。 実世界のスペクトルデータを用いた実験では、SFFPは先行スペクトルと一般的な予測法よりも優れていた。

関連論文リスト

• FAD: Frequency Adaptation and Diversion for Cross-domain Few-shot Learning [35.40065954148091]
  ドメイン間数ショット学習では、大きな分散シフトの下で限定ラベル付きサンプルからモデルを一般化する必要がある。 本稿では、スペクトル成分を明示的にモデル化・変調する周波数対応フレームワークである周波数適応・変換(FAD)を紹介する。 FADは、目に見えないドメインと見えないドメインの両方において、最先端のメソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-13T08:48:06Z)
• FilterTS: Comprehensive Frequency Filtering for Multivariate Time Series Forecasting [13.7064358833964]
  FilterTSは、周波数領域に基づいた特殊なフィルタリング技術を利用する新しい予測モデルである。 FilterTSは予測精度と計算効率の点で既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2025-05-07T06:19:00Z)
• Understanding Dataset Distillation via Spectral Filtering [69.07076441512612]
  多様なDD目標を統一するスペクトルフィルタリングフレームワークであるUniDDを紹介する。 UniDDは、DDの本質が基本的に周波数固有の特徴に合致していることを明らかにする。 この制限に対処するため,低周波情報と高周波情報の両方をカバーするためにフィルタパラメータを徐々に調整するCFM(Curriculum Frequency Matching)を提案する。
  論文  参考訳（メタデータ） (2025-03-03T06:22:34Z)
• FreqMoE: Enhancing Time Series Forecasting through Frequency Decomposition Mixture of Experts [14.01018670507771]
  本稿では,時系列データを周波数帯域に分解する周波数分解混合(FreqMoE)モデルを提案する。 ゲーティング機構は、周波数特性に基づいて専門家の各出力の重要度を調整する。 FreqMoEは最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2025-01-25T08:25:52Z)
• Deep Frequency Derivative Learning for Non-stationary Time Series Forecasting [12.989064148254936]
  非定常時系列予測のためのディープ周波数微分学習フレームワークDERITSを提案する。 具体的には、DERITSは、新しい可逆変換、すなわち周波数微分変換(FDT)に基づいて構築される。
  論文  参考訳（メタデータ） (2024-06-29T17:56:59Z)
• Learned Pulse Shaping Design for PAPR Reduction in DFT-s-OFDM [13.870974874382025]
  シンボル誤り率(SER)、PAPR、スペクトル平坦性要件のトレードオフを最適化し、FDSSフィルタを決定する機械学習ベースのフレームワークを提案する。 その結果,学習したFDSSフィルタは従来のベースラインに比べてPAPRを低下させ,SER劣化を最小限に抑えた。
  論文  参考訳（メタデータ） (2024-04-24T18:50:56Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• FAMLP: A Frequency-Aware MLP-Like Architecture For Domain Generalization [73.41395947275473]
  本稿では、変換周波数領域において、ドメイン固有の特徴をフィルタリングする新しい周波数認識アーキテクチャを提案する。 3つのベンチマークの実験では、最先端の手法をそれぞれ3%、4%、9%のマージンで上回った。
  論文  参考訳（メタデータ） (2022-03-24T07:26:29Z)
• Deep Frequency Filtering for Domain Generalization [55.66498461438285]
  Deep Neural Networks(DNN)は、学習プロセスにおいて、いくつかの周波数成分を優先する。 本稿では、ドメイン一般化可能な特徴を学習するためのDeep Frequency Filtering (DFF)を提案する。 提案したDFFをベースラインに適用すると,ドメインの一般化タスクにおける最先端の手法よりも優れることを示す。
  論文  参考訳（メタデータ） (2022-03-23T05:19:06Z)

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。