広帯域学習システムにおけるレーダー信号ソーティングのためのデュアルレイヤーマルチヘッドアテンション
Radar Signal Sorting via a Dual-Layer Multi-Head Attention Broad Learning System
本稿では、受動的電磁センシングにおける基本的なタスクであるレーダー信号ソーティングのために、デュアルレイヤーマルチヘッドアテンション広帯域学習システム(DMHA-BLS)を提案する。従来のランダム特徴マッピングを、固定されたランダム直交クエリ、キー、バリュー投影を持つ2つのアテンションブロックに置き換える。残差分岐は、閉形式リッジ回帰を通じて最初のレイヤーのアテンション特徴を入力次元にマッピングし、物理的なパルス属性を保持する。出力重みも解析的に解かれ、累積グラム統計によりバッチ更新が可能になる。8000パルスのシミュレーションストリームでは、DMHA-BLSは200サンプルで83.17%、8000サンプルで91.88%のマクロF1スコアを達成した。これは、小サンプル条件において時間的ベースラインよりも明確な利点を示し、ラベル付きパルス数が増加するにつれて性能がDMHA-BLSに近づく。8つのエミッターと強く重複するPDW範囲を持つ1000パルスのシナリオでは、DMHA-BLSは評価されたサンプルサイズ全体で最高のパフォーマンスを発揮した。全データでのトレーニングは1.57秒で完了し、評価されたディープネットワークの100〜109秒と比較して、ソーティング性能と計算効率の点で有利なトレードオフを示している。
- 受動的電磁センシングのレーダー信号ソーティング向けに、デュアルレイヤーマルチヘッドアテンション広帯域学習システム(DMHA-BLS)を提案。ランダム特徴マッピングを固定の直交クエリ・キー・バリュー投影を持つ2つのアテンションブロックに置き換え、出力重みを解析的に解く。
- 8,000パルスのシミュレーションストリームで、200サンプル時83.17%、8,000サンプル時91.88%のマクロF1スコアを達成し、小サンプル条件で時間的ベースラインを上回った。
- 全データでのトレーニングが1.57秒で完了し、評価された深層ネットワークの100〜109秒に対し計算効率で優位。8エミッター・PDW範囲が強く重複する1,000パルス条件でも評価した全サンプルサイズで最高性能。
学術的なレーダー信号ソーティング手法の提案であり、特定企業の製品・調達・規制には触れていないため直接の投資対象は見えにくい。ただし「8,000パルスでマクロF1 91.88%」「全データ学習1.57秒(評価対象の深層学習は100〜109秒)」という数値は、少数サンプル・低計算コストで高精度を出すアテンション系手法の有効性を示しており、防衛・電磁戦(EW)向けエッジ推論やリアルタイム信号処理への応用余地がある。投資家としては、この種の軽量アテンション設計が民生の異常検知・時系列分類にも波及する点、および電子戦・受動センシング領域のAI需要の伸びを注視したい。