論文の概要: New Fractional Ambiguity Function Integrated with CNN-Based Machine Learning for Signal Classification

• arxiv url: http://arxiv.org/abs/2606.08110v1
• Date: Sat, 06 Jun 2026 11:23:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.788891
• Title: New Fractional Ambiguity Function Integrated with CNN-Based Machine Learning for Signal Classification
• Title（参考訳）: 信号分類のためのCNNに基づく機械学習と統合された新しいフラクショナルあいまいさ関数
• Authors: Aamir H. Dar, Prakhar Kumar Sonkar, Neeraj Kumar Sharma,
• Abstract要約: 古典的あいまい関数の一般化として、新しい分数的あいまい関数 (NFrAF) を導入する。 NFrAFは、信号分類のための畳み込みニューラルネットワークベースの機械学習フレームワークに統合されている。
• 参考スコア（独自算出の注目度）: 1.222873769161043
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A new fractional ambiguity function (NFrAF) derived from the fractional Fourier transform is introduced as a generalization of the classical ambiguity function. The fundamental analytical properties of the NFrAF, including symmetry, marginality, and Moyal type identities, are rigorously established. After verifying its ability to detect and localize monocomponent and multicomponent linear frequency modulated (LFM) signals, the NFrAF is integrated into a convolutional neural network based machine learning framework for signal classification. Owing to its superior time frequency resolution and localization, the NFrAF provides a more informative input representation than conventional methods such as the spectrogram and classical ambiguity function. Experimental results on simulated datasets demonstrate consistent improvements in classification accuracy, highlighting the effectiveness of the proposed representation for data driven signal analysis.
• Abstract（参考訳）: 古典的あいまい関数の一般化として、分数フーリエ変換から導かれる新しい分数的あいまい関数 (NFrAF) を導入する。 対称性、辺性、モヤル型等式を含むNFrAFの基本的な解析的性質は厳格に確立されている。 NFrAFは、一成分および多成分線形周波数変調(LFM)信号を検出およびローカライズする能力を検証した後、信号分類のための畳み込みニューラルネットワークベースの機械学習フレームワークに統合される。 NFrAFは、時間周波数分解能とローカライゼーションが優れているため、分光法や古典的あいまいさ関数のような従来の方法よりも、より情報的な入力表現を提供する。 シミュレーションデータセット実験の結果,分類精度が一貫した向上を示し,データ駆動信号解析における表現の有効性を強調した。

関連論文リスト

• Multi-Scale Separable Fourier Neural Networks for Solving High-Frequency PDEs [2.7347781746626705]
  我々は,新しいニューラルネットワークアーキテクチャであるMulti-Scale Separable Neural Networks (MS-SFNN)を提案する。 MS-SFNNは、様々な挑戦的なPDEで前例のない精度を達成し、最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-05-29T08:58:39Z)
• Fourier Weak SINDy: Spectral Test Function Selection for Robust Model Identification [1.2535148942290433]
  本稿では,弱形スパース方程式学習とスペクトル密度推定を組み合わせ,データ駆動型テスト関数選択のための最小ノイズロバストかつ解釈可能な微分自由方程式学習法を提案する。 複数のカオスおよびハイパーカオスODEベンチマークにおける数値実験におけるこのアプローチの有効性について述べる。
  論文  参考訳（メタデータ） (2026-04-22T03:09:56Z)
• FUTON: Fourier Tensor Network for Implicit Neural Representations [56.48739018255443]
  入射神経表現(INR)はシグナルを符号化する強力なツールとして現れてきたが、支配的な設計はしばしば収束が遅く、ノイズに過度に適応し、外挿が不十分である。 低ランクテンソル分解により係数がパラメータ化される一般化フーリエ級数として信号をモデル化するFUTONを導入する。
  論文  参考訳（メタデータ） (2026-02-13T19:31:44Z)
• Self-Supervised Learning via Flow-Guided Neural Operator on Time-Series Data [57.85958428020496]
  Flow-Guided Neural Operator (FGNO)は、演算子学習とフローマッチングを組み合わせた新しいフレームワークである。 FGNOは、短時間フーリエ変換を用いて関数空間のマッピングを学習し、異なる時間分解能を統一する。 推論中にノイズのある入力を使用する以前の生成SSL法とは異なり、ノイズのある表現を学習しながら、クリーンな入力を用いて表現抽出を行う。
  論文  参考訳（メタデータ） (2026-02-12T18:54:57Z)
• Cluster-Based Generalized Additive Models Informed by Random Fourier Features [19.409397281817288]
  この研究は、データ内の局所適応構造を明らかにするために、ランダムフーリエ特徴(RFF)表現を利用する一般化加法モデル(GAM)の混合を導入している。 カリフォルニアハウジング、NASA Air Self-Noise、Bike Sharingデータセットなど、実世界の回帰ベンチマークに関する数値実験は、予測性能の向上を実証している。
  論文  参考訳（メタデータ） (2025-12-22T13:15:52Z)
• LOGLO-FNO: Efficient Learning of Local and Global Features in Fourier Neural Operators [20.77877474840923]
  高周波情報は機械学習における重要な課題である。 ディープニューラルネットワークは、低周波成分の学習に対するいわゆるスペクトルバイアスを示す。 放射結合スペクトル誤差に基づく新しい周波数感受性損失項を提案する。
  論文  参考訳（メタデータ） (2025-04-05T19:35:04Z)
• A Scalable Walsh-Hadamard Regularizer to Overcome the Low-degree Spectral Bias of Neural Networks [79.28094304325116]
  任意の関数を学習するニューラルネットワークの能力にもかかわらず、勾配降下によって訓練されたモデルは、しばしばより単純な関数に対するバイアスを示す。 我々は、この低度周波数に対するスペクトルバイアスが、現実のデータセットにおけるニューラルネットワークの一般化を実際にいかに損なうかを示す。 本稿では,ニューラルネットワークによる高次周波数学習を支援する,スケーラブルな機能正規化手法を提案する。
  論文  参考訳（メタデータ） (2023-05-16T20:06:01Z)
• Fourier Sensitivity and Regularization of Computer Vision Models [11.79852671537969]
  本稿では,ディープニューラルネットワークの周波数感度特性について,原理的アプローチを用いて検討する。 コンピュータビジョンモデルは、データセット、トレーニング方法、アーキテクチャに依存する特定の周波数に一貫して敏感であることがわかった。
  論文  参考訳（メタデータ） (2023-01-31T10:05:35Z)
• 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)
• 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)
• iffDetector: Inference-aware Feature Filtering for Object Detection [70.8678270164057]
  Inference-aware Feature Filtering (IFF)モジュールを導入し、現代の検出器と簡単に組み合わせることができる。 IFFは、畳み込み機能を強化するためにハイレベルなセマンティクスを活用することでクローズドループ最適化を行う。 IFFはCNNベースの物体検出器とプラグアンドプレイ方式で融合でき、計算コストのオーバーヘッドは無視できる。
  論文  参考訳（メタデータ） (2020-06-23T02:57:29Z)

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。