| 講演抄録／キーワード |
| 講演名 |
2024-11-12 11:15
［ポスター講演］深層学習を用いた微小信号検出方式
○佐田彩夏・上橋俊介・山下靖貴・吉間 聡（三菱電機） |
| 抄録 |
（和） |
無線信号の検出は，無線通信システムや電波監視といった分野において，所望波の特定や周囲の無線
通信の状況を把握する要素技術として重要である．従来は, ノイズレベルに対して受信電力が閾値を超えた場合に
信号有と判定する, 電力検出という手法が利用されてきた. しかし電力検出では, 低 SNR 信号を検出できないとい
う欠点がある. そこで近年では，深層学習を用いた信号検出が検討されている．深層学習を用いた手法は，入力を
信号の時間波形，出力を信号有無の結果(有：1, 無：0)とする事前学習により，信号検出が可能となる．提案する深
層学習を用いた手法を，従来手法である電力検出や異常検知に利用される教師なし学習(One-Class SVM)を使った手
法とシミュレーションによって比較した．その結果，提案手法が最も低い SNR で 90％の正答率を達成でき，従来
手法と比べると 4dB 改善されることが分かった． |
| （英） |
The detection of wireless signals is important as a key technology for identifying desired waves and understanding
the state of surrounding wireless communications in fields such as wireless communication systems and radio monitoring.
Conventionally, a method called power detection has been used, which determines the presence of a signal when the received
power exceeds a threshold relative to the noise level. However, power detection has the disadvantage of not being able to detect
low SNR signals. Therefore, in recent years, signal detection using deep learning has been considered. The method using deep
learning allows for signal detection by pre-training with the input as the time waveform of the signal and the output as the result
of signal presence (presence: 1, absence: 0). We compared the method using deep learning that we propose with the conventional
method of power detection and a method using one of the unsupervised machine learning techniques, ‘One-Class SVM,’
commonly used for anomaly detection through simulation. As a result, it was found that the proposed method could achieve a
90% accuracy rate at the lowest SNR, which is a 4dB improvement compared to the conventional method. |
| キーワード |
（和） |
信号検出 / 深層学習 / / / / / / |
| （英） |
Signal Detection / Deep Learning / / / / / / |
| 文献情報 |
信学技報 |
| 資料番号 |
|
| 発行日 |
|
| ISSN |
|
| PDFダウンロード |
|
| 研究会情報 |
| 研究会 |
RISING |
| 開催期間 |
2024-11-11 - 2024-11-12 |
| 開催地（和） |
北海道立道民活動センター かでる2・7 |
| 開催地（英） |
Kaderu 2・7 (Sapporo) |
| テーマ（和） |
超知性通信ネットワークに関する研究，一般 |
| テーマ（英） |
Cross-Field Research Association of Super-Intelligent Networking |
| 講演論文情報の詳細 |
| 申込み研究会 |
RISING |
| 会議コード |
2024-11-RISING |
| 本文の言語 |
日本語 |
| タイトル（和） |
深層学習を用いた微小信号検出方式 |
| サブタイトル（和） |
|
| タイトル（英） |
Micro-Signal Detection Method Using Deep Learning |
| サブタイトル（英） |
|
| キーワード(1)（和/英） |
信号検出 / Signal Detection |
| キーワード(2)（和/英） |
深層学習 / Deep Learning |
| キーワード(3)（和/英） |
/ |
| キーワード(4)（和/英） |
/ |
| キーワード(5)（和/英） |
/ |
| キーワード(6)（和/英） |
/ |
| キーワード(7)（和/英） |
/ |
| キーワード(8)（和/英） |
/ |
| 第1著者 氏名（和/英/ヨミ） |
佐田 彩夏 / Ayaka Sata / サタ アヤカ |
| 第1著者 所属（和/英） |
三菱電機株式会社 (略称： 三菱電機)
Mitsubishi Electric Corporation (略称： Mitsubishi Electric) |
| 第2著者 氏名（和/英/ヨミ） |
上橋 俊介 / Shunsuke Uehashi / ウエハシ シュンスケ |
| 第2著者 所属（和/英） |
三菱電機株式会社 (略称： 三菱電機)
Mitsubishi Electric Corporation (略称： Mitsubishi Electric) |
| 第3著者 氏名（和/英/ヨミ） |
山下 靖貴 / Yasutaka Yamashita / ヤマシタ ヤスタカ |
| 第3著者 所属（和/英） |
三菱電機株式会社 (略称： 三菱電機)
Mitsubishi Electric Corporation (略称： Mitsubishi Electric) |
| 第4著者 氏名（和/英/ヨミ） |
吉間 聡 / Satoshi Yoshima / ヨシマ サトシ |
| 第4著者 所属（和/英） |
三菱電機株式会社 (略称： 三菱電機)
Mitsubishi Electric Corporation (略称： Mitsubishi Electric) |
| 第5著者 氏名（和/英/ヨミ） |
/ / |
| 第5著者 所属（和/英） |
(略称： )
(略称： ) |
| 第6著者 氏名（和/英/ヨミ） |
/ / |
| 第6著者 所属（和/英） |
(略称： )
(略称： ) |
| 第7著者 氏名（和/英/ヨミ） |
/ / |
| 第7著者 所属（和/英） |
(略称： )
(略称： ) |
| 第8著者 氏名（和/英/ヨミ） |
/ / |
| 第8著者 所属（和/英） |
(略称： )
(略称： ) |
| 第9著者 氏名（和/英/ヨミ） |
/ / |
| 第9著者 所属（和/英） |
(略称： )
(略称： ) |
| 第10著者 氏名（和/英/ヨミ） |
/ / |
| 第10著者 所属（和/英） |
(略称： )
(略称： ) |
| 第11著者 氏名（和/英/ヨミ） |
/ / |
| 第11著者 所属（和/英） |
(略称： )
(略称： ) |
| 第12著者 氏名（和/英/ヨミ） |
/ / |
| 第12著者 所属（和/英） |
(略称： )
(略称： ) |
| 第13著者 氏名（和/英/ヨミ） |
/ / |
| 第13著者 所属（和/英） |
(略称： )
(略称： ) |
| 第14著者 氏名（和/英/ヨミ） |
/ / |
| 第14著者 所属（和/英） |
(略称： )
(略称： ) |
| 第15著者 氏名（和/英/ヨミ） |
/ / |
| 第15著者 所属（和/英） |
(略称： )
(略称： ) |
| 第16著者 氏名（和/英/ヨミ） |
/ / |
| 第16著者 所属（和/英） |
(略称： )
(略称： ) |
| 第17著者 氏名（和/英/ヨミ） |
/ / |
| 第17著者 所属（和/英） |
(略称： )
(略称： ) |
| 第18著者 氏名（和/英/ヨミ） |
/ / |
| 第18著者 所属（和/英） |
(略称： )
(略称： ) |
| 第19著者 氏名（和/英/ヨミ） |
/ / |
| 第19著者 所属（和/英） |
(略称： )
(略称： ) |
| 第20著者 氏名（和/英/ヨミ） |
/ / |
| 第20著者 所属（和/英） |
(略称： )
(略称： ) |
| 第21著者 氏名（和/英/ヨミ） |
/ / |
| 第21著者 所属（和/英） |
(略称： )
(略称： ) |
| 第22著者 氏名（和/英/ヨミ） |
/ / |
| 第22著者 所属（和/英） |
(略称： )
(略称： ) |
| 第23著者 氏名（和/英/ヨミ） |
/ / |
| 第23著者 所属（和/英） |
(略称： )
(略称： ) |
| 第24著者 氏名（和/英/ヨミ） |
/ / |
| 第24著者 所属（和/英） |
(略称： )
(略称： ) |
| 第25著者 氏名（和/英/ヨミ） |
/ / |
| 第25著者 所属（和/英） |
(略称： )
(略称： ) |
| 第26著者 氏名（和/英/ヨミ） |
/ / |
| 第26著者 所属（和/英） |
(略称： )
(略称： ) |
| 第27著者 氏名（和/英/ヨミ） |
/ / |
| 第27著者 所属（和/英） |
(略称： )
(略称： ) |
| 第28著者 氏名（和/英/ヨミ） |
/ / |
| 第28著者 所属（和/英） |
(略称： )
(略称： ) |
| 第29著者 氏名（和/英/ヨミ） |
/ / |
| 第29著者 所属（和/英） |
(略称： )
(略称： ) |
| 第30著者 氏名（和/英/ヨミ） |
/ / |
| 第30著者 所属（和/英） |
(略称： )
(略称： ) |
| 第31著者 氏名（和/英/ヨミ） |
/ / |
| 第31著者 所属（和/英） |
(略称： )
(略称： ) |
| 第32著者 氏名（和/英/ヨミ） |
/ / |
| 第32著者 所属（和/英） |
(略称： )
(略称： ) |
| 第33著者 氏名（和/英/ヨミ） |
/ / |
| 第33著者 所属（和/英） |
(略称： )
(略称： ) |
| 第34著者 氏名（和/英/ヨミ） |
/ / |
| 第34著者 所属（和/英） |
(略称： )
(略称： ) |
| 第35著者 氏名（和/英/ヨミ） |
/ / |
| 第35著者 所属（和/英） |
(略称： )
(略称： ) |
| 第36著者 氏名（和/英/ヨミ） |
/ / |
| 第36著者 所属（和/英） |
(略称： )
(略称： ) |
| 講演者 |
第1著者 |
| 発表日時 |
2024-11-12 11:15:00 |
| 発表時間 |
50分 |
| 申込先研究会 |
RISING |
| 資料番号 |
|
| 巻番号（vol） |
vol. |
| 号番号（no） |
|
| ページ範囲 |
|
| ページ数 |
|
| 発行日 |
|
|