論文の概要: Frequency Estimation Based on SNR-adaptive Frequency Estimator Under Wide SNR Range
- arxiv url: http://arxiv.org/abs/2609.07034v1
- Date: Mon, 07 Sep 2026 04:43:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.362438
- Title: Frequency Estimation Based on SNR-adaptive Frequency Estimator Under Wide SNR Range
- Title（参考訳）: 広帯域SNR帯におけるSNR適応周波数推定器の周波数推定
- Abstract要約: 本稿では,SNR適応周波数推定器(SAFE)を提案する。
SAFEは、低信号対雑音比(SNR)で弱いトーン周波数成分を増強する時間周波数画像ニューラルネットワーク(TFINet)で構成されている。
SAFE は -10 dB から 0 dB までの SNR の範囲で 13.00% の偽陰性率 (FNR) を達成する。
- 参考スコア（独自算出の注目度）: 5.164253202769623
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Frequency estimation is the problem of estimating individual tone frequencies from noisy multi-tone sinusoidal signals. Existing frequency estimation methods have difficulty accurately estimating both the number of tone frequencies and the individual tone frequencies in low signal-to-noise ratio (SNR) environments, because weak tone frequency components are buried in noise. In addition, existing methods generally exhibit a trade-off between robustness at low SNR and frequency estimation precision at high SNR, making it difficult to achieve consistently superior frequency estimation performance over a wide SNR range. To overcome these limitations, this paper proposes an SNR-adaptive frequency estimator (SAFE). SAFE consists of a time-frequency image neural network (TFINet), which enhances weak tone frequency components at low SNR, and an SNR-based frequency selector (SFS), which selects an appropriate frequency estimator according to the SNR of the estimated tone frequencies. TFINet enhances tone frequency components even in the low-SNR range, while SFS estimates the SNR of each tone frequency and selects either a robust frequency estimator or a super-resolution frequency estimator according to the estimated SNR. This enables SAFE to achieve robustness at low SNR while preserving high precision at high SNR. Simulation results show that SAFE achieves an False Negative Rate (FNR) of 13.00% over the SNR range from -10 dB to 0 dB, corresponding to an 13.04% improvement over the state-of-the-art method. In addition, SAFE reduces the Nearest Neighbor-Root Mean Squared Error (NN-RMSE) by 56.67% compared with the state-of-the-art method, demonstrating that SAFE performs more accurate frequency estimation. Furthermore, experiments using real-world data demonstrate that SAFE provides robust frequency estimation performance even in practical environments with clutter.
- Abstract（参考訳）: 周波数推定は、雑音の多いマルチトーン正弦波信号から個々のトーン周波数を推定する問題である。
既存の周波数推定法では、低信号-雑音比(SNR)環境下での音数と個々の音数の両方を正確に推定することが困難である。
さらに,従来の手法では,低SNRでのロバスト性と高SNRでの周波数推定精度のトレードオフが一般的であり,広いSNR範囲での周波数推定性能を一貫して向上することは困難である。
本稿では,これらの制約を克服するために,SNR適応周波数推定器(SAFE)を提案する。
SAFEは、低SNRにおける弱いトーン周波数成分を増強する時間周波数画像ニューラルネットワーク(TFINet)と、推定トーン周波数のSNRに応じて適切な周波数推定器を選択するSNRベースの周波数セレクタ(SFS)から構成される。
TFINetは低SNR域でも音色周波数成分を増強し、SFSは各音色周波数のSNRを推定し、推定したSNRに応じてロバスト周波数推定器または超高分解能周波数推定器を選択する。
これにより、SAFEは高いSNRで高い精度を維持しながら、低いSNRで堅牢性を達成することができる。
シミュレーションの結果,SAFEはSNRの10dBから0dBの範囲で13.00%のFalse Negative Rate(FNR)を達成することがわかった。
さらに、SAFEは最先端の手法と比較して、最も近い近傍平均正方形誤差(NN-RMSE)を56.67%削減し、SAFEがより正確な周波数推定を行うことを示した。
さらに、実世界のデータを用いた実験により、SAFEは、乱れのある実用的な環境でも、堅牢な周波数推定性能を提供することを示した。
関連論文リスト
- A Time-Frequency Dual-Domain Multi-Scale Convolutional Neural Network for Bearing Fault Diagnosis under Strong Noise [0.0]
本稿では,強い雑音下での軸受故障診断精度の劣化に対処する時間周波数二重領域多大畳み込みニューラルネットワークを提案する。
実験により, クリーン条件下では99.75%の精度を実現し, 4dB SNRで92.50%の精度を維持した。
論文 参考訳（メタデータ） (2026-08-10T06:38:27Z) - Class-frequency Guided Noise Schedule for Diffusion Models [83.19018650759415]
まず,拡散モデルにおけるクラス周波数とマルチスケールノイズスケジュールの相関について検討する。
我々は,低周波クラスに大規模ノイズを付与すべきという知見を生かして,TextitClass- frequency Guided (CFRG)ノイズスケジュールを提案する。
論文 参考訳（メタデータ） (2026-06-26T03:43:23Z) - Realistic noise synthesis reduces bias and improves tissue microstructure estimation with supervised machine learning [0.2155083987188202]
シミュレーション信号と取得信号のノイズ特性の差がマイクロ構造パラメータ推定に与える影響について検討する。
本稿では,現実的な雑音合成(RNS)フレームワークを提案する。
RNSは、Rician予測と効果的な後処理ノイズ分散の両方を模擬訓練信号に組み込む。
論文 参考訳（メタデータ） (2026-06-01T10:35:33Z) - Stabilizing Diffusion Posterior Sampling by Noise--Frequency Continuation [52.736416985173776]
高雑音下では、不正確な推定から計算されたデータ一貫性勾配は、後部幾何学と幾何的に一致しない。
本稿では、雑音依存周波数帯域内でのみ測定一貫性を強制する中間部分の連続的なファミリを構成するノイズ周波数継続フレームワークを提案する。
提案手法は最先端性能を実現し,強いベースライン上で最大5dBのPSNRの動作劣化を改善する。
論文 参考訳（メタデータ） (2026-01-30T03:14:01Z) - How Does Label Noise Gradient Descent Improve Generalization in the Low SNR Regime? [78.0226274470175]
我々は、勾配更新にラベルノイズを導入することで、ニューラルネットワーク(NN)のテスト性能が向上するかどうか検討する。
学習中のラベルノイズの付加は,学習過程を支配することを防止し,雑音の記憶を抑制することを実証する。
対照的に、標準GDで訓練されたNNは、同じ低SNR環境でのノイズに過度に適応する傾向にある。
論文 参考訳（メタデータ） (2025-10-20T13:28:13Z) - Frequency estimation by frequency jumps [0.0]
本稿では、既知のデチューニングが発振器の周波数を突然シフトさせるプロトコルにおいて達成可能な精度について検討する。
その結果、この周波数ジャンプによって引き起こされるスクイーズは、周波数情報のエンコーディングを効果的に強化できることが示された。
論文 参考訳（メタデータ） (2025-03-09T19:34:58Z) - Wavelet Integrated Convolutional Neural Network for ECG Signal Denoising [1.565361244756411]
ドライ電極を用いたウェアラブル心電図(ECG)測定は、高強度ノイズ歪みに問題がある。
本研究では、クリーンECGの特定の周波数特徴を抽出するウェーブレット変換層を付加した畳み込みニューラルネットワーク(CNN)モデルを提案する。
実験の結果,提案手法は全ての周波数領域を考慮し,ノイズを低減した正確なECGの挙動を効果的に予測できることが確認された。
論文 参考訳（メタデータ） (2025-01-12T06:18:46Z) - Dilated convolutional neural network for detecting extreme-mass-ratio inspirals [8.809900732195281]
本稿では,周波数領域におけるシーケンスモデリングによるEMRI信号検出に着目したエンドツーエンドモデルDECODEを提案する。
我々は,SNRを50～120に蓄積した1年間のデータから,真正の96.3%を偽正の1%で達成した。
論文 参考訳（メタデータ） (2023-08-31T03:16:38Z) - High Dynamic Range Image Quality Assessment Based on Frequency Disparity [78.36555631446448]
高ダイナミックレンジ(HDR)画像に対する周波数差に基づく画像品質評価(IQA)アルゴリズムを提案する。
提案したLGFMは、最先端HDR IQA法と比較して、主観的知覚との整合性が高い。
論文 参考訳（メタデータ） (2022-09-06T08:22:13Z) - 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) - 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)
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。