論文の概要: Indoor/Outdoor Spectrum Sharing Enabled by GNSS-based Classifiers
- arxiv url: http://arxiv.org/abs/2509.26500v1
- Date: Tue, 30 Sep 2025 16:43:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-01 14:45:00.212985
- Title: Indoor/Outdoor Spectrum Sharing Enabled by GNSS-based Classifiers
- Title（参考訳）: GNSSによる屋内・屋外スペクトル共有の実現
- Authors: Hossein Nasiri, Muhammad Iqbal Rochman, Monisha Ghosh,
- Abstract要約: 我々はI/O分類にグローバルナビゲーション衛星システム(GNSS)信号を利用する。
この結果から,無線(Wi-Fi)データよりもしきい値に基づく手法や機械学習のアプローチの方が精度が高いことが示された。
- 参考スコア（独自算出の注目度）: 1.3682156035049033
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The desirability of the mid-band frequency range (1 - 10 GHz) for federal and commercial applications, combined with the growing applications for commercial indoor use-cases, such as factory automation, opens up a new approach to spectrum sharing: the same frequency bands used outdoors by federal incumbents can be reused by commercial indoor users. A recent example of such sharing, between commercial systems, is the 6 GHz band (5.925 - 7.125 GHz) where unlicensed, low-power-indoor (LPI) users share the band with outdoor incumbents, primarily fixed microwave links. However, to date, there exist no reliable, automatic means of determining whether a device is indoors or outdoors, necessitating the use of other mechanisms such as mandating indoor access points (APs) to have integrated antennas and not be battery powered, and reducing transmit power of client devices which may be outdoors. An accurate indoor/outdoor (I/O) classification addresses these challenges, enabling automatic transmit power adjustments without interfering with incumbents. To this end, we leverage the Global Navigation Satellite System (GNSS) signals for I/O classification. GNSS signals, designed inherently for outdoor reception and highly susceptible to indoor attenuation and blocking, provide a robust and distinguishing feature for environmental sensing. We develop various methodologies, including threshold-based techniques and machine learning approaches and evaluate them using an expanded dataset gathered from diverse geographical locations. Our results demonstrate that GNSS-based methods alone can achieve greater accuracy than approaches relying solely on wireless (Wi-Fi) data, particularly in unfamiliar locations. Furthermore, the integration of GNSS data with Wi-Fi information leads to improved classification accuracy, showcasing the significant benefits of multi-modal data fusion.
- Abstract（参考訳）: 連邦および商業用途におけるミッドバンド周波数範囲(1-10GHz)の望ましさと、工場自動化などの商業屋内使用事例の増大とが組み合わさって、スペクトル共有に対する新たなアプローチが開かれ、連邦の既存企業が屋外で使用しているのと同じ周波数帯域を商業屋内使用者によって再利用することができる。
このような商用システム間の共有の最近の例は、6GHz帯 (5.925 - 7.125 GHz) である。
しかし、現在までに、デバイスが屋内または屋外にあるかどうかを判断する信頼性の高い自動的な手段は存在せず、屋内アクセスポイント(AP)をバッテリを駆動せず統合アンテナを持つように強制することや、屋外にある可能性のあるクライアントデバイスの送信電力を減少させるなどの他のメカニズムを使用する必要がある。
正確な屋内/屋外(I/O)分類はこれらの課題に対処し、既存機器に干渉することなく自動送信電力調整を可能にする。
この目的のために、I/O分類にグローバルナビゲーション衛星システム(GNSS)信号を利用する。
GNSS信号は、本来は屋外受信用に設計されており、室内の減衰と遮断に非常に敏感である。
しきい値に基づく手法や機械学習アプローチなど,さまざまな手法を開発し,多様な地理的位置から収集した拡張データセットを用いて評価する。
提案手法は,無線(Wi-Fi)データにのみ依存する手法,特に不慣れな場所での手法よりも精度が高いことを示す。
さらに、GNSSデータとWi-Fi情報を統合することにより、分類精度が向上し、マルチモーダルデータ融合による大きなメリットが示される。
関連論文リスト
- Machine Intelligence on Wireless Edge Networks [4.593295337659598]
エッジデバイス上のマシンインテリジェンスは、低レイテンシ処理とプライバシーの改善を可能にする。
現在のシステムは、クエリをサーバに送信することで、しばしばローカルモデルストレージを避ける。
モデルウェイトをローカルで推論を行うクライアントにブロードキャストする。
論文 参考訳（メタデータ） (2025-06-13T20:26:30Z) - Digital Shielding for Cross-Domain Wi-Fi Signal Adaptation using Relativistic Average Generative Adversarial Network [13.808977762165823]
本稿では,物理信号遮蔽にインスパイアされた,Wi-Fi信号のクロスドメイン適応のための新しいディープラーニングモデルを提案する。
このシステムは96%の精度を達成し、強力な物質識別能力を示した。
論文 参考訳（メタデータ） (2025-04-29T09:18:02Z) - Data Driven Environmental Awareness Using Wireless Signals [1.4776238523338288]
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。
論文 参考訳（メタデータ） (2024-10-17T02:28:09Z) - Uncovering GNSS Interference with Aerial Mapping UAV [0.0]
本研究では,高度飛行力学と高性能消費者受信機を組み合わせることで,大面積での干渉を検出する手法を提案する。
提案システムは、干渉源を検出し、その影響領域をマッピングし、品質の悪い環境や否定された環境に対する状況認識を得る。
論文 参考訳（メタデータ） (2024-05-13T10:21:03Z) - Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳（メタデータ） (2023-12-08T13:50:30Z) - Collaborative Learning with a Drone Orchestrator [79.75113006257872]
インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。
提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
論文 参考訳（メタデータ） (2023-03-03T23:46:25Z) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳（メタデータ） (2022-05-22T12:16:43Z) - Robust Semi-supervised Federated Learning for Images Automatic
Recognition in Internet of Drones [57.468730437381076]
プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。
異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。
本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
論文 参考訳（メタデータ） (2022-01-03T16:49:33Z) - Three-Way Deep Neural Network for Radio Frequency Map Generation and
Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。
本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文 参考訳（メタデータ） (2021-11-23T22:25:10Z) - 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)
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。