文献

J-GLOBAL ID：201902223643279901   整理番号：19A1771768

大規模実世界ACARとADS-B無線信号分類のための深層学習【JST・京大機械翻訳】

Deep Learning for Large-Scale Real-World ACARS and ADS-B Radio Signal Classification

著者 (4件)： Chen Shichuan (Science and Technology on Communication Information Security Control Laboratory, Jiaxing, China) ,  Zheng Shilian (Science and Technology on Communication Information Security Control Laboratory, Jiaxing, China) ,  Yang Lifeng (Science and Technology on Communication Information Security Control Laboratory, Jiaxing, China) ,  Yang Xiaoniu (Science and Technology on Communication Information Security Control Laboratory, Jiaxing, China)
資料名： IEEE Access  (IEEE Access)
巻： 7  ページ： 89256-89264  発行年： 2019年 
JST資料番号： W2422A  ISSN： 2169-3536  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： 無線信号分類は,無線通信と電磁スペクトル管理の分野で非常に広い範囲の応用を持っている。近年,深い学習が無線信号分類の問題を解決するために使用され,良好な結果を達成した。しかし,現在使用されている無線信号データはスケールにおいて非常に限られている。現実世界の無線信号データに関する深い学習ベースの無線信号分類の性能を検証するために,本論文では,それぞれ900000と1300000のサンプルサイズを持つ大規模実世界ACARSとADS-B信号データに関する実験を行い,それぞれ3143と5157のカテゴリを持つ。著者らは,ACARS信号分類とADS-B信号分類のために,異なるタイプの無線信号,すなわち,ACARSにおける通信バーストとADS-Bにおけるパルスバーストを処理するために,単一の基本的深いニューラルネットワークモデル構造の能力を検証するために,同じ傾斜残差ニューラルネットワークモデル構造を使用した。無線信号の深い学習実験のための実験システムを構築した。実験結果は,ACARSとADS-Bの信号分類精度がそれぞれ98.1%と96.3%であることを示した。信号対雑音比が9dB以上のとき,分類精度は92%以上であった。これらの実験結果は,大規模実世界無線信号を分類するための深い学習の能力を検証した。移動学習実験の結果は,大規模ADS-Bデータセットで訓練されたモデルが,小規模データセットで訓練されたモデルより新しいタスクの学習と訓練により役に立つことを示した。Copyright 2019 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： モデル ,  残差 ,  通信 ,  パルス ,  SN比 ,  *学習 ,  無線伝送 ,  バースト
準シソーラス用語： 分類精度 ,  実験システム ,  神経回路網モデル ,  スペクトル管理 ,  *深層学習 ,  *信号分類 ,  *ワイヤレス , 【Automatic Indexing@JST】

分類 (1件)： 信号理論  (ND02020G)

タイトルに関連する用語 (6件)： 大規模 ,  世界 ,  ADS-B ,  無線 ,  信号分類 ,  深層学習