RF信号分類のための自己重み付け畳み込みニューラルネットワークによる無線スペクトル認識支援
Self-Weighted Convolutional Neural Networks for RF Signal Classification in Support of Wireless Spectrum Awareness
本論文は、無線スペクトル認識を支援するためのRF信号分類において、自己重み付け畳み込みニューラルネットワークを提案する。提案手法は、マルチブランチブロック内で学習可能なスケーリング係数を用いて正規化された出力を乗算し、集約する。このネットワークは、MATLABで生成された12クラスのIQデータセットを用いて、ネットワークの深さ、シンボルレート、搬送波周波数オフセット、転送設定の変動下で評価された。合成データセットでは、提案ネットワークは平均テスト精度91.91%を達成し、Inceptionを0.52パーセンテージポイント上回った。小規模ターゲットドメインサブセットでのファインチューニングは、ターゲットデータセットでのスクラッチからのトレーニングと比較して、収束エポック数を21から5に削減し、平均精度91.81%を達成した。機関提供のデータセットでは、提案ネットワーク、転送学習、Inceptionネットワークがそれぞれ93.61%、92.75%、92.32%の精度を達成した。これらの結果は、提案手法が無線スペクトル認識ワークフローのための変調認識RF信号分類コンポーネントとして有効であることを示唆している。
- 無線スペクトル認識のためのRF信号分類に、マルチブランチブロック内の学習可能なスケーリング係数で正規化出力を乗算・集約する自己重み付け畳み込みニューラルネットワークを提案
- MATLABで生成した12クラスのIQデータセットで評価し、平均テスト精度91.91%を達成、Inceptionを0.52ポイント上回った
- 小規模ターゲットドメインでのファインチューニングにより収束エポックを21から5に削減し、平均精度91.81%を達成
- 機関提供データセットでは提案ネットワークが93.61%、転送学習が92.75%、Inceptionが92.32%の精度を記録
学術論文レベルの発表であり、企業の製品化・調達・規制といった直接的な投資トリガーは見当たらない。ただし無線スペクトル認識・変調分類はOpen RANや電波監視、衛星・防衛通信の自動化に直結する要素技術で、自己重み付け畳み込みネットワークと転送学習で「収束エポックを21→5に短縮」「合成データ91.91%、機関データ93.61%」という数値は、限られた実測データでのドメイン適応コストを下げる点で実運用性の証左になる。AIベースのRF信号処理を手掛ける通信機器・SDR・スペクトル管理企業の技術力評価材料として注視したいが、現時点では特定企業の業績に紐づかないため投資アクションには直結しない。