5Gおよびそれ以上のための変調および無線信号分類のためのマルチタスク学習アプローチ:モデル圧縮によるエッジ展開【JST・京大機械翻訳】

Jagannath Anu; Jagannath Jithin

プレプリント

J-GLOBAL ID：202202216575878536 整理番号：22P0297167

5Gおよびそれ以上のための変調および無線信号分類のためのマルチタスク学習アプローチ:モデル圧縮によるエッジ展開【JST・京大機械翻訳】

Multi-task Learning Approach for Modulation and Wireless Signal Classification for 5G and Beyond: Edge Deployment via Model Compression

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年02月26日プレプリントサーバーでの情報更新日： 2022年06月17日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

将来の通信ネットワークは,不均一無線機器の広範囲な成長を収容するために,不十分なスペクトルに対処する必要がある。無線信号認識は,スペクトルモニタリング,スペクトル管理,セキュアな通信のためにますます重要になっている。その結果,エッジに関する包括的なスペクトル認識は,5Gネットワークを超えて出現するためのキーとなる可能性としての役割を果たす可能性がある。このドメインにおける最先端の研究は,(i)単一タスク変調または信号(プロトコル)分類に焦点を置いて,多くの場合,(ii)レーダまたは通信波形(均一波形カテゴリー)のいずれかを考慮するためのシステムに対する不十分な情報であり,(iii)ニューラルネットワーク設計フェーズ中のエッジ展開を扱わない。本研究では,無線通信領域において初めて,電磁スペクトルにおけるレーダや通信波形のような不均一無線信号を考慮しながら,変調と信号分類タスクを同時に学習するために,深層ニューラルネットワークベースのマルチタスク学習(MTL)フレームワークのポテンシャルを利用した。提案したMTLアーキテクチャは,分類精度の改善と軽量ニューラルネットワークモデルによる学習効率の改善における2つのタスク間の相互関係から利益を得る。さらに,過剰空気収集サンプルによるモデルの実験的評価を含み,資源制約付きエッジデバイスへの展開のための深層学習パイプラインに沿ったモデル圧縮に関する初めての洞察を示した。2つの参照アーキテクチャに対して,提案モデルの著しい計算,メモリ,および精度改善を実証した。さらに,資源制約付き組込み無線プラットフォームに適した軽量MTLモデルのモデル化に加えて,公共利用のための包括的不均一無線信号データセットを提供した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

無線通信一般

, , , , , , ,

前のページに戻る