論文の概要: Dilated CNNs for Periodic Signal Processing: A Low-Complexity Approach
- arxiv url: http://arxiv.org/abs/2604.21651v1
- Date: Thu, 23 Apr 2026 13:16:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-24 14:40:06.508985
- Title: Dilated CNNs for Periodic Signal Processing: A Low-Complexity Approach
- Title（参考訳）: 周期的信号処理のための拡張CNN:低複雑さアプローチ
- Authors: Eli Gildish, Michael Grebshtein, Igor Makienko,
- Abstract要約: 本研究では,厳密な電力・資源制約下での運用を目的とした,DCNNとRe-samplingに基づく計算効率のよい手法を提案する。
この手法は基本周波数の異なる信号をターゲットにしており、訓練にはたった1つの観測しか必要としない。
これは、信号の時間スケールを異なる周波数で調整し、同じネットワーク重みを再利用する軽量な再サンプリングステップを通じて、追加の信号に一般化する。
計算複雑性が低いにもかかわらず、R-DCNNは、従来のDCNNと同様に、自己回帰(AR)ベースの技術のような最先端の古典的手法に匹敵するパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Denoising of periodic signals and accurate waveform estimation are core tasks across many signal processing domains, including speech, music, medical diagnostics, radio, and sonar. Although deep learning methods have recently shown performance improvements over classical approaches, they require substantial computational resources and are usually trained separately for each signal observation. This study proposes a computationally efficient method based on DCNN and Re-sampling, termed R-DCNN, designed for operation under strict power and resource constraints. The approach targets signals with varying fundamental frequencies and requires only a single observation for training. It generalizes to additional signals via a lightweight resampling step that aligns time scales in signals with different frequencies to re-use the same network weights. Despite its low computational complexity, R-DCNN achieves performance comparable to state-of-the-art classical methods, such as autoregressive (AR)-based techniques, as well as conventional DCNNs trained individually for each observation. This combination of efficiency and performance makes the proposed method particularly well suited for deployment in resource-constrained environments without sacrificing denoising or estimation accuracy.
- Abstract（参考訳）: 周期的な信号のノイズ化と正確な波形推定は、音声、音楽、医学診断、ラジオ、ソナーを含む多くの信号処理領域のコアタスクである。
深層学習法は近年,従来の手法よりも性能が向上しているが,計算資源がかなり必要であり,信号観測ごとに個別に訓練されることが多い。
本研究では,厳密な電力・資源制約下での運用を目的とした,DCNNとRe-samplingに基づく計算効率のよい手法を提案する。
この手法は基本周波数の異なる信号をターゲットにしており、訓練にはたった1つの観測しか必要としない。
これは、信号の時間スケールを異なる周波数で調整し、同じネットワーク重みを再利用する軽量な再サンプリングステップを通じて、追加の信号に一般化する。
計算の複雑さが低いにもかかわらず、R-DCNNは、自己回帰(AR)ベースの技術や、個々の観察のために個別に訓練された従来のDCNNなど、最先端の古典的手法に匹敵する性能を達成している。
この効率性と性能の組み合わせにより,提案手法は資源制約環境への展開に特に適しており,デノゲーションや推定精度を犠牲にしない。
関連論文リスト
- Spectral Bottleneck in Deep Neural Networks: Noise is All You Need [0.0]
本稿では,スペクトルのボトルネックの影響を受けやすい高周波優先信号の適合性について検討する。
周波数の内容に関わらず、任意のターゲット信号に効果的に適合させるため、一般化されたターゲット摂動スキームを提案する。
本研究では,ネットワーク活性化スペクトルと経験的ニューラル・タンジェント・カーネルの固有ベイジを制御できることを示す。
論文 参考訳（メタデータ） (2025-09-09T22:16:24Z) - AR-KAN: Autoregressive-Weight-Enhanced Kolmogorov-Arnold Network for Time Series Forecasting [10.66769114905278]
時間記憶のための事前学習ARモジュールと非線形表現のためのkanを統合した自己回帰強化コルモゴロフ・アルノルドネットワーク(AR-KAN)を提案する。
AR-KANはARIMAとほぼ周期関数で一致し、72%のRdatasetsシリーズで最高の結果を得る。
論文 参考訳（メタデータ） (2025-09-03T03:11:26Z) - Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。
可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。
実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
論文 参考訳（メタデータ） (2025-06-24T21:14:59Z) - Neural Network-based Vehicular Channel Estimation Performance: Effect of Noise in the Training Set [0.5530212768657544]
車両通信システムは、高モビリティと急速に変化する環境のために重大な課題に直面している。
これらの課題に対処するために、ニューラルネットワーク(NN)に基づくチャネル推定法が提案されている。
本研究では,混合SNRデータセットに対するNNチャネル推定器の訓練効果について検討した。
論文 参考訳（メタデータ） (2025-02-05T09:29:01Z) - IRCNN$^{+}$: An Enhanced Iterative Residual Convolutional Neural Network for Non-stationary Signal Decomposition [8.663386718382524]
反復残差畳み込みニューラルネットワーク(IRCNN)という新しい手法を提案する。
IRCNNは既存の手法よりも安定した分解を実現するが、計算コストの低い大規模信号のバッチ処理も行う。
本研究では,深層学習と最適化のいくつかの手法を駆使して,IRCNNをさらに改良することを目的としている。
論文 参考訳（メタデータ） (2023-09-09T13:00:30Z) - Properties and Potential Applications of Random Functional-Linked Types
of Neural Networks [81.56822938033119]
ランダム関数リンクニューラルネットワーク(RFLNN)は、深い構造を学習する別の方法を提供する。
本稿では周波数領域の観点からRFLNNの特性について考察する。
本稿では,より優れた性能でBLSネットワークを生成する手法を提案し,ポゾン方程式を解くための効率的なアルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-04-03T13:25:22Z) - A Comparative Study of Deep Learning and Iterative Algorithms for Joint Channel Estimation and Signal Detection in OFDM Systems [11.190815358585137]
周波数分割多重化システムでは,共同チャネル推定と信号検出が重要である。
従来のアルゴリズムは低信号対雑音比(SNR)のシナリオでは不十分である。
深層学習 (DL) 手法は検討されているが, 計算コストや低SNR設定による検証の欠如が懸念されている。
論文 参考訳（メタデータ） (2023-03-07T06:34:04Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳（メタデータ） (2021-05-03T07:23:39Z) - Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。
いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
論文 参考訳（メタデータ） (2021-03-01T08:25:26Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳（メタデータ） (2020-11-17T12:52:18Z) - Continual Learning in Recurrent Neural Networks [67.05499844830231]
リカレントニューラルネットワーク(RNN)を用いた逐次データ処理における連続学習手法の有効性を評価する。
RNNに弾性重み強化などの重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重
そこで本研究では,重み付け手法の性能が処理シーケンスの長さに直接的な影響を受けず,むしろ高動作メモリ要求の影響を受けていることを示す。
論文 参考訳（メタデータ） (2020-06-22T10:05:12Z)
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。