論文の概要: An Uncertainty-Driven Hybrid Deep Learning Approach for Broad-Coverage RF Modulation Recognition

• arxiv url: http://arxiv.org/abs/2608.00796v1
• Date: Sat, 01 Aug 2026 17:57:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.909009
• Title: An Uncertainty-Driven Hybrid Deep Learning Approach for Broad-Coverage RF Modulation Recognition
• Title（参考訳）: 広帯域RF変調認識のための不確実性駆動型ハイブリッドディープラーニング手法
• Abstract要約: 本稿では,広帯域変調空間上でのRF信号認識のための不確実性駆動型ハイブリッドディープラーニングアーキテクチャを提案する。 アーキテクチャは、高速かつ低レイテンシな一次分類のための2D畳み込みニューラルネットワーク(2D CNN)ベースのパスと、高不確実性条件下で活性化されるBiLSTMベースの二次決定機構とを含む。 実験結果から,2次元CNN経路の精度は8.3pm0.7%で,1サンプルあたり0.138msと推定され,従来のルールベースや古典的な機械学習手法に比べて優れた性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic RF modulation recognition is of critical importance in spectrum monitoring, electronic warfare, and cognitive radio applications, where low signal-to-noise ratio (SNR) conditions and the growing diversity of modulation schemes limit the performance of existing methods. This paper proposes an uncertainty-driven hybrid deep learning architecture for recognizing RF signals over a broad modulation space. The proposed approach carries out a multi-stage classification process by combining spectral information obtained through low-cost FFT-based preprocessing with time-frequency features extracted from short-time Fourier transform (STFT) spectrograms. The architecture comprises a 2D convolutional neural network (2D CNN)-based path for fast, low-latency primary classification, MC Dropout-supported Bayesian uncertainty estimation for assessing classification reliability, and a BiLSTM-based secondary decision mechanism activated under high-uncertainty conditions. The proposed system is evaluated in a controlled simulation environment spanning different SNR levels and modulation classes. Experimental results show that the primary 2D CNN path achieves $83.3\pm0.7\%$ accuracy with an inference time of only 0.138 ms per sample, providing superior performance compared with traditional rule-based and classical machine-learning approaches. Furthermore, the obtained findings reveal the limitations of compact spectral feature representations and classifiers lacking temporal modeling, particularly in disambiguating FSK-based modulations. The uncertainty estimation module offers promising results for detecting low-confidence decisions, and the proposed approach demonstrates the potential of a low-latency and scalable solution for real-time RF modulation recognition.
• Abstract（参考訳）: RF変調の自動認識は、スペクトルモニタリング、電子戦、認知無線の応用において重要であり、信号対雑音比(SNR)の低い条件と変調方式の多様性が既存の手法の性能を制限する。 本稿では,広帯域変調空間上でのRF信号認識のための不確実性駆動型ハイブリッドディープラーニングアーキテクチャを提案する。 提案手法は,短時間フーリエ変換(STFT)スペクトルから抽出した時間周波数特性と,低コストのFFT前処理により得られたスペクトル情報を組み合わせることで,多段階分類を行う。 アーキテクチャは、高速で低レイテンシな一次分類のための2D畳み込みニューラルネットワーク(2D CNN)ベースのパスと、分類信頼性を評価するためのMCドロップアウト支援ベイズ不確実性推定と、高い不確実性条件下で活性化されるBiLSTMベースの二次決定機構とを含む。 提案システムは,異なるSNRレベルと変調クラスにまたがる制御されたシミュレーション環境において評価される。 実験結果から,2次元CNN経路の精度は83.3\pm0.7\%であり,1サンプルあたり0.138msと推定される。 さらに, この結果から, 時間的モデリングを欠いたコンパクトなスペクトル特徴表現と分類器の限界, 特にFSKに基づく変調の曖昧さが明らかになった。 不確実性推定モジュールは、低信頼度判定のための有望な結果を提供し、提案手法は、リアルタイムRF変調認識のための低レイテンシでスケーラブルなソリューションの可能性を示す。

関連論文リスト

• Unveiling the Mechanism of Continuous Representation Full-Waveform Inversion: A Wave Based Neural Tangent Kernel Framework [52.632217600064344]
  フルウェーブフォーム・インバージョン(FWI)は、限られた測定値から波動方程式の物理パラメータを推定する。 FWI法は初期モデルの精度に対する悪名高い感度によって制限されている。 連続表現 FWI (CR-FWI) の最近の進歩は、暗黙的ニューラル表現 (INR) のような座標ベースニューラルネットワークによるパラメータモデルを表現することで、初期モデルへの依存を緩和できることを実証している。
  論文  参考訳（メタデータ） (2026-03-23T03:22:33Z)
• Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
  受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。 これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
  論文  参考訳（メタデータ） (2026-02-04T15:25:02Z)
• SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
  グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。 時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。 SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
  論文  参考訳（メタデータ） (2026-01-19T07:42:45Z)
• JSR-GFNet: Jamming-to-Signal Ratio-Aware Dynamic Gating for Interference Classification in future Cognitive Global Navigation Satellite Systems [14.709743647152301]
  本稿では,bfJSR-Guided Fusion Network (JSR-GFNet)を提案する。 このマルチモーダルアーキテクチャは、位相感受性複素In-Phase/Quadrature(IQ)サンプルとショートタイムフーリエ変換(STFT)スペクトログラムを組み合わせたものである。 実験によると、JSR-GFNetは10-50dBのJSRスペクトルで高い精度を実現している。
  論文  参考訳（メタデータ） (2026-01-19T07:01:25Z)
• AIMC-Spec: A Benchmark Dataset for Automatic Intrapulse Modulation Classification under Variable Noise Conditions [4.448748938342291]
  本稿では、スペクトログラムに基づく画像分類のための総合的な合成データセットであるAIMC-Specを紹介する。 5つの代表的なディープラーニングアルゴリズムを再実装し、統一的な入力形式で評価した。 その結果、周波数変調(FM)信号は位相やハイブリッドタイプよりも確実に分類された。
  論文  参考訳（メタデータ） (2026-01-13T06:42:28Z)
• Source-Free Object Detection with Detection Transformer [59.33653163035064]
  Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。 ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。 本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T07:35:04Z)
• Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [11.385703484113552]
  生成人工知能(GAI)を利用した新しい意味コミュニケーションフレームワークを提案する。 意味的特徴抽出のための変分オートエンコーダを組み合わせた潜在拡散モデル(LDM)に基づくセマンティックコミュニケーションフレームワークを提案する。 提案システムはゼロショットの一般化をサポートし,低SNRおよびアウト・オブ・ディストリビューション条件下での優れた性能を実現する訓練自由フレームワークである。
  論文  参考訳（メタデータ） (2025-06-06T03:20:32Z)
• Attention-Aided MMSE for OFDM Channel Estimation: Learning Linear Filters with Attention [13.901760670980773]
  本稿では,アテンション変換器を用いて最適MMSEフィルタを学習するアテンション支援型MMSEを提案する。 チャネル推定のための1つの線形演算を通してチャネルを推定し、推論中に非線形なアクティベーションを除去する。 広帯域の信号-雑音比(SNR)条件で正規化されたMMSEの点で、他のベースライン法よりも一貫して優れる。
  論文  参考訳（メタデータ） (2025-05-31T08:12:04Z)
• Vaccinating Federated Learning for Robust Modulation Classification in Distributed Wireless Networks [0.0]
  雑音レベルの異なる信号間の一般化性向上を目的とした新しいAMCモデルであるFedVaccineを提案する。 FedVaccineは、分割学習戦略を用いることで、既存のFLベースのAMCモデルの線形集約の限界を克服する。 これらの結果は、実用的な無線ネットワーク環境におけるAMCシステムの信頼性と性能を高めるためのFedVaccineの可能性を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-10-16T17:48:47Z)
• RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
  本稿では、深層学習手法を利用したデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。 本論文の主な貢献は、RF信号データセットであるRF Challengeの導入である。
  論文  参考訳（メタデータ） (2024-09-13T13:53:41Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Time-Frequency Analysis based Blind Modulation Classification for Multiple-Antenna Systems [6.011027400738812]
  ブラインド変調分類は、認知無線ネットワークを実装するための重要なステップである。 マルチインプット・マルチアウトプット(MIMO)技術は、軍事や民間の通信システムで広く使われている。 これらのシナリオでは、従来の可能性ベースのアプローチや特徴ベースのアプローチは適用できない。
  論文  参考訳（メタデータ） (2020-04-01T12:27:29Z)

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。