文献

J-GLOBAL ID：201802235957747952   整理番号：18A1683677

分散低コストスペクトルセンサによる無線信号分類のための深層学習モデル【JST・京大機械翻訳】

Deep Learning Models for Wireless Signal Classification With Distributed Low-Cost Spectrum Sensors

著者 (5件)： Rajendran Sreeraj (Department of Electrical Engineering, KU Leuven, Leuven, Belgium) ,  Meert Wannes (Department of Computer Science, KU Leuven, Leuven, Belgium) ,  Giustiniano Domenico (IMDEA Networks Institute, Madrid, Spain) ,  Lenders Vincent (Cyberspace and Information, armasuisse, Thun, Switzerland) ,  Pollin Sofie (Department of Electrical Engineering, KU Leuven, Leuven, Belgium)
資料名： IEEE Transactions on Cognitive Communications and Networking  (IEEE Transactions on Cognitive Communications and Networking)
巻： 4  号： 3  ページ： 433-445  発行年： 2018年 
JST資料番号： W2454A  ISSN： 2332-7731  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,分散無線スペクトルセンシングネットワークのための変調分類問題を検討した。最初に,長い短期メモリ(LSTM)に基づく自動変調分類のための新しいデータ駆動モデルを提案した。このモデルは,高次周期モーメントのようなエキスパート特徴を必要とせずに,訓練データに存在する変調方式の時間領域振幅と位相情報から学習する。解析は,提案したモデルが0dBから20dBの範囲の信号対雑音比条件で90%に近い平均分類精度をもたらすことを示した。さらに,可変シンボル率シナリオに対するこのLSTMモデルの有用性を調べた。LSTMに基づくモデルは,可変長時間領域シーケンスの良好な表現を学習できることを示した。これは,異なるシンボル速度で変調信号を分類するのに有用である。それが訓練されなかった64の入力サンプル長さに関する75%の達成された精度は,モデルの表現力を実証した。分散センサからのデータ通信オーバーヘッドを低減するために,低コストスペクトルセンサに関する平均値スペクトルデータとオンライン分類を用いた分類の実現可能性を研究した。さらに,提案したモデルの量子化実現を,低い処理電力を持つセンサ上での配置に対して解析した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： モーメント ,  SN比 ,  電力 ,  ネットワーク ,  *スペクトル ,  *センサ ,  記憶装置
準シソーラス用語： オンライン ,  分類精度 ,  時間領域 ,  変調方式 ,  訓練データ ,  変調分類 ,  *深層学習 ,  *ワイヤレス , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： スペクトル ,  無線 ,  信号分類 ,  深層学習 ,  モデル