Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Deep Active Learning for Autonomous Navigation Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Convolutional Radio Modulation Recognition Networks

verfasst von : Timothy J. O’Shea, Johnathan Corgan, T. Charles Clancy

Erschienen in: Engineering Applications of Neural Networks

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

We study the adaptation of convolutional neural networks to the complex-valued temporal radio signal domain. We compare the efficacy of radio modulation classification using naively learned features against using expert feature based methods which are widely used today and e show significant performance improvements. We show that blind temporal learning on large and densely encoded time series using deep convolutional neural networks is viable and a strong candidate approach for this task especially at low signal to noise ratio.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Designing a Context-Aware Cyber Physical System for Smart Conditional Monitoring of Platform Equipment
Nächstes Kapitel Mutual Information with Parameter Determination Approach for Feature Selection in Multivariate Time Series Prediction
Literatur
1.
Gardner, W.A., Spooner, C.M.: Signal interception: Performance advantages of cyclic-feature detectors. IEEE Trans. Commun. 40(1), 149–159 (1992)CrossRefMATH
2.
Mitola III, J., Maguire Jr., G.Q.: Cognitive radio: Making software radios more personal. IEEE Pers. Commun. 6(4), 13–18 (1999)CrossRef
3.
Blossom, E.: GNU radio: Tools for exploring the radio frequency spectrum. Linux J. 2004(122), 4 (2004)
4.
Kolodzy, P.J.: Dynamic spectrum policies: Promises and challenges. CommLaw Conspectus 12, 147 (2004)
5.
Lee, H., Battle, A., et al.: Efficient sparse coding algorithms. In: Advances in Neural Information Processing Systems, pp. 801–808 (2006)
6.
Clancy, C., Hecker, J., Stuntebeck, E., O’Shea, T.: Applications of machine learning to cognitive radio networks. IEEE Wirel. Commun. 14(4), 47–52 (2007)CrossRef
7.
Kim, K., Akbar, I.A., et al.: Cyclostationary approaches to signal detection and classification in cognitive radio. In: New Frontiers in Dynamic Spectrum Access Networks, pp. 212–215 (2007)
8.
Nvidia, C.: Compute unified device architecture programming guide (2007)
9.
Rondeau, T.W.: Application of artificial intelligence to wireless communications. Ph.D. thesis, Virginia Tech (2007)
10.
Zeiler, M.D., Krishnan, D., Taylor, G.W., Fergus, R.: Deconvolutional networks. In: 2010 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2528–2535. IEEE (2010)
11.
Krizhevsky, A., Sutskever, I., Hinton, G.E.: Imagenet classification with deep convolutional neural networks. In: Advances in Neural Information Processing Systems, pp. 1097–1105 (2012)
12.
Tieleman, T., Hinton, G.: Lecture 6.5-rmsprop: Divide the gradient by a running average of its recent magnitude. In: COURSERA: Neural Networks for Machine Learning, vol. 4, p. 2 (2012)
13.
14.
O’Shea, T.: GNU radio channel simulation. In: GNU Radio Conference (2013)
15.
16.
17.
18.
Sainath, T.N., et al.: Learning the speech front-end with raw waveform CLDNNS. In: Proceedings of the Interspeech (2015)
19.
Metadaten
Titel
Convolutional Radio Modulation Recognition Networks
verfasst von
Timothy J. O’Shea
Johnathan Corgan
T. Charles Clancy
Copyright-Jahr
2016
Buch
Engineering Applications of Neural Networks

Print ISBN: 978-3-319-44187-0

Electronic ISBN: 978-3-319-44188-7

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-44188-7_16

Premium Partner

    Bildnachweise