論文の概要: HFEMCNet: A Compact Hybrid Frequency Enriched Multi Channel Network for Automatic Modulation Classification

• arxiv url: http://arxiv.org/abs/2609.22139v1
• Date: Tue, 25 Aug 2026 11:23:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.729939
• Title: HFEMCNet: A Compact Hybrid Frequency Enriched Multi Channel Network for Automatic Modulation Classification
• Title（参考訳）: HFEMCNet: 変調自動分類のための小型ハイブリッド周波数拡張マルチチャネルネットワーク
• Abstract要約: HFNetは、依存関係と周波数領域情報を利用する、新しいハイブリッド強化マルチチャネルネットワークである。 HFEMCNetは、分類精度において、現代の三項DLモデルよりも大幅に優れている。 その結果, ハイブリットアーキテクチャと周波数領域のリッチ化を併用して, 堅牢かつ効率的なAMCを実現する効果が示された。
• 参考スコア（独自算出の注目度）: 1.4610038284393168
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic modulation classification (AMC) of received radio signals is prudent for further signal processing tasks such as communication monitoring, cognitive radio operation, and interference mitigation in the electromagnetic spectrum. Traditional methods often rely on handcrafted features and struggle under complex channel conditions, whereas deep learning (DL) architectures can learn discriminative representations directly from raw signals. In this work, we propose HFEMCNet, a novel compact hybrid frequency-enriched multi-channel network that jointly exploits spatiotemporal dependencies and frequency domain information derived via Fast Fourier Transform (FFT). HFEMCNet integrates raw IQ samples with hierarchical spectral features to produce a rich signal representation, which is processed by convolutional layers for spatial feature extraction and Long Short-Term Memory (LSTM) units for temporal modeling. Experimental evaluation on benchmark datasets RML2016.10a, RML2016.10b, and over-the-air RML2018.01a demonstrates that HFEMCNet significantly outperform contemporary state-of-theart DL models in classification accuracy while achieving a reduced parameter count, smaller memory footprint, and lower tail-latency, making it suitable for real-time deployment on resource-constrained platforms. These results highlight the effectiveness of combining hybrid architectures with frequencydomain enrichment for robust and efficient AMC.
• Abstract（参考訳）: 受信した電波信号の自動変調分類(AMC)は、電磁スペクトルにおける通信監視、認知無線操作、干渉緩和などのさらなる信号処理タスクに適している。 従来の手法は手作りの特徴や複雑なチャネル条件下での苦労に頼っていることが多いが、ディープラーニング(DL)アーキテクチャは生信号から直接識別表現を学習することができる。 本研究では,Fast Fourier Transform (FFT) による時空間依存性と周波数領域情報とを協調的に活用する,HFEMCNetを提案する。 HFEMCNetは、生のIQサンプルと階層的なスペクトル特徴を統合し、空間的特徴抽出のための畳み込み層と時間的モデリングのためのLong Short-Term Memory(LSTM)ユニットによって処理されるリッチな信号表現を生成する。 ベンチマークデータセットRML2016.10a、RML2016.10b、Over-the-air RML2018.01aの実験的評価は、HFEMCNetがパラメータカウントの削減、メモリフットプリントの削減、テールレイテンシーの低減を実現しつつ、現代の最先端のDLモデルを大幅に上回っていることを示している。 これらの結果から, ハイブリットアーキテクチャと周波数領域のリッチ化を併用して, 堅牢かつ効率的なAMCを実現する効果が示された。

関連論文リスト

• An Uncertainty-Driven Hybrid Deep Learning Approach for Broad-Coverage RF Modulation Recognition [0.0]
  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。
  論文  参考訳（メタデータ） (2026-08-01T17:57:36Z)
• ChannelKAN: Multi-Scale Dual-Domain Channel Prediction via Hybrid CNN-KAN Architecture [16.236145234205036]
  既存のディープラーニング手法は、短期的な局所的変動と長距離の非線形依存を共同で捉えるのに苦労している。 マルチスケール周波数領域情報拡張を用いたハイブリッドCNN-KANチャネル予測モデルであるChannelKANを提案する。 実験により、ChannelKANは、正規化平均二乗誤差(NMSE)、スペクトル効率(SE)、ビット誤り率(BER)において、RNN LSTM、GRU、CNN、Transformerのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2026-05-11T07:58:51Z)
• 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)
• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• RF-LSCM: Pushing Radiance Fields to Multi-Domain Localized Statistical Channel Modeling for Cellular Network Optimization [26.457933013666253]
  本稿では,RF-LSCMを提案する。RF-LSCMは,大規模信号減衰とマルチパス成分を放射場内に共同で表現することで,チャネルAPSをモデル化する新しいフレームワークである。 RF-LSCMは, 平均絶対誤差(MAE)を最大30%低減し, 多周波データを効果的に融合させることにより, 22%のMAE改善を実現した。
  論文  参考訳（メタデータ） (2025-09-17T04:31:18Z)
• A Lightweight Deep Learning Model for Automatic Modulation Classification using Dual Path Deep Residual Shrinkage Network [0.0]
  自動変調分類(AMC)はスペクトル効率を高める上で重要な役割を果たしている。 低複雑性と高い分類精度のバランスをとる軽量AMCモデルの必要性が高まっている。 本稿では,資源制約エッジデバイスに最適化された低複雑さ,軽量深層学習(DL)AMCモデルを提案する。
  論文  参考訳（メタデータ） (2025-07-07T00:37:54Z)
• 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)
• BiLSTM and Attention-Based Modulation Classification of Realistic Wireless Signals [2.0650230600617534]
  提案モデルでは,無線信号の複数の表現をネットワークへの入力として利用する。 BiLSTM層の後、重要な時間的特徴を強調するために注意層が使用される。 最近のリアルなRML22データセットの実験結果は、提案モデルの性能が99%の精度で向上したことを示している。
  論文  参考訳（メタデータ） (2024-08-14T01:17:19Z)
• Diffusion-Driven Semantic Communication for Generative Models with Bandwidth Constraints [66.63250537475973]
  本稿では,帯域制限付き生成モデルのための,高度なVAEベースの圧縮を用いた拡散駆動型セマンティック通信フレームワークを提案する。 実験の結果,ピーク信号対雑音比 (PSNR) などの画素レベルの指標と,LPIPS (Learning Perceptual Image patch similarity) のような意味的指標が大幅に改善された。
  論文  参考訳（メタデータ） (2024-07-26T02:34:25Z)
• 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)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)

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。