論文の概要: TFZ-Tree: An Ultra-Lightweight Waveform Classification Framework for Resource-Constrained Devices

• arxiv url: http://arxiv.org/abs/2605.15656v1
• Date: Fri, 15 May 2026 06:24:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.190482
• Title: TFZ-Tree: An Ultra-Lightweight Waveform Classification Framework for Resource-Constrained Devices
• Title（参考訳）: TFZ-Tree:資源制約デバイスのための超軽量波形分類フレームワーク
• Authors: Hao Wang, Kuang Zhang, Yonggang Chi, Tianqi Zhao, Yanbo Fu, Jiaxing Guo,
• Abstract要約: 時間周波数多次元特徴に基づく超軽量波形分類フレームワークを提案する。 OFDM、OTFS、DSSS、LoRa、NB-IoTを含む10の6G候補波形でテストされた。 x86プラットフォーム上でCで実装され、単一の推論は4ms以下である。
• 参考スコア（独自算出の注目度）: 3.454865806724097
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Under the trend of multi-waveform coexistence in 6G IoT, intelligent receivers must first identify physical-layer waveform types before performing correct demodulation and resource scheduling. However, existing signal identification research largely focuses on symbol-level modulation classification. Research directly targeting physical-layer waveform types (e.g., OFDM, OTFS, LoRa) is not only extremely scarce but also heavily reliant on deep neural networks and complex time-frequency transforms, making deployment on resource-constrained terminals difficult. Symbol modulation classification methods themselves cannot circumvent the prerequisite of ``waveform identification first.'' To address this dual gap, we propose an ultra-lightweight waveform classification framework based on time-frequency multidimensional features with a cooperative Z-test tree (ZTree). The framework employs low-complexity time-domain feature extraction, and the classification backend adopts a ZTree optimized by Z-statistical testing, which uses hypothesis testing confidence to automatically control decision tree splitting and size, ensuring efficient execution on resource-limited processors. Tested on ten 6G candidate waveforms including OFDM, OTFS, DSSS, LoRa, and NB-IoT, the method achieves 99.5\% average accuracy under AWGN and 87.4\% under TDL-C multipath channels, with main confusion between OTFS and LoRa. Implemented in C on an x86 platform, single inference latency is under 4~ms. To the best of our knowledge, this is the first work achieving real-time recognition of ten IoT waveform types. Future work will target deployment acceleration on embedded MCUs. Code and dataset are open-sourced at: https://github.com/Einstein-sworder/IoT-wave.
• Abstract（参考訳）: 6G IoTにおけるマルチウェーブフォーム共存のトレンドの下では、インテリジェント受信機は、正しい復調とリソーススケジューリングを行う前に、まず物理層波形のタイプを特定する必要がある。 しかし、既存の信号識別研究は主に記号レベルの変調分類に焦点を当てている。 物理層型(例えばOFDM、OTFS、LoRa)を直接ターゲットとする研究は、非常に少ないだけでなく、深層ニューラルネットワークや複雑な時間周波数変換にも大きく依存しているため、リソース制約のある端末への展開が困難である。 記号変調分類法自体は、まず「波形識別」の前提条件を回避できない。 「この二重ギャップに対処するため,Z-test tree (ZTree) を用いた時間周波数多次元特徴に基づく超軽量波形分類フレームワークを提案する。 フレームワークは低複雑さな時間領域の特徴抽出を採用し、分類バックエンドはZ統計テストに最適化されたZTreeを採用し、仮説テストの信頼性を利用して決定木分割とサイズを自動的に制御し、リソース制限されたプロセッサ上で効率的な実行を保証する。 OFDM, OTFS, DSSS, LoRa, NB-IoTを含む10個の6G候補波形を用いて, AWGNで平均精度99.5\%, TDL-Cマルチパスチャネルで87.4\%, OTFSとLoRaの主な混乱を伴う。 x86プラットフォーム上でCで実装されているため、単一の推論レイテンシは4～ms以下である。 私たちの知る限りでは、これが10種類のIoT波形のリアルタイム認識を実現する最初の成果です。 今後の作業は、組み込みMCU上でのデプロイメントアクセラレーションを目標とする予定である。 コードとデータセットは、https://github.com/Einstein-sworder/IoT-wave.comでオープンソース化されている。

関連論文リスト

• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• Learning from Scratch: Structurally-masked Transformer for Next Generation Lib-free Simulation [5.564681128355971]
  本稿では,多段階データパスのパワーとタイミング予測のためのニューラルネットワークフレームワークを提案する。 私たちの知る限りでは、これは標準セル用に明示的に設計された言語ベースのネットリスト対応ニューラルネットワークとしては初めてのものです。
  論文  参考訳（メタデータ） (2025-07-23T10:46:25Z)
• WaveFormer: A Lightweight Transformer Model for sEMG-based Gesture Recognition [14.124553708665117]
  WaveFormerは、sEMGジェスチャー認識用に設計された軽量トランスフォーマーベースのアーキテクチャである。 我々のモデルは、新しい学習可能なウェーブレット変換によって時間領域と周波数領域の機能を統合し、特徴抽出を強化する。 たった3100万のパラメータで、WaveFormerはEPN612データセットの95%の分類精度を達成し、より大きなモデルを上回っている。
  論文  参考訳（メタデータ） (2025-06-12T04:07:11Z)
• Pangu Embedded: An Efficient Dual-system LLM Reasoner with Metacognition [95.54406667705999]
  Pangu Embeddedは、Ascend Neural Processing Units (NPU) 上で開発された効率的なLarge Language Model (LLM) 推論器である。 既存の推論最適化 LLM でよく見られる計算コストと推論遅延の問題に対処する。 単一の統一モデルアーキテクチャ内で、迅速な応答と最先端の推論品質を提供する。
  論文  参考訳（メタデータ） (2025-05-28T14:03:02Z)
• A novel multi-layer modular approach for real-time fuzzy-identification of gravitational-wave signals [0.0]
  本稿では,音声処理技術に触発された重力波のリアルタイム検出のための新しい階層化フレームワークを提案する。 本稿では,フレームワークの基本概念と,最初の3つのレイヤの導出について述べる。 畳み込みニューラルネットワークのようなより複雑なアプローチと比較して、我々のフレームワークは精度が低い。
  論文  参考訳（メタデータ） (2022-06-13T09:48:38Z)
• ALF: Autoencoder-based Low-rank Filter-sharing for Efficient Convolutional Neural Networks [63.91384986073851]
  オートエンコーダを用いた低ランクフィルタ共有技術(ALF)を提案する。 ALFは、ネットワークパラメータの70%、オペレーションの61%、実行時間の41%を削減し、精度の低下を最小限にしている。
  論文  参考訳（メタデータ） (2020-07-27T09:01:22Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• On Deep Learning Solutions for Joint Transmitter and Noncoherent Receiver Design in MU-MIMO Systems [27.204307615068544]
  本稿では,Multiuser Multi-Input Multi-MIMO(MU-MIMO)システムにおける共同送信機と非コヒーレント受信機の設計をディープラーニングにより処理することを目的とする。 ディープニューラルネットワーク(DNN)ベースの非コヒーレント受信機を考えると、この研究の新規性は主に送信側におけるマルチユーザ波形設計にある。
  論文  参考訳（メタデータ） (2020-04-14T15:27:15Z)

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。