Efficient Residual Shrinkage CNN Denoiser Design for Intelligent Signal Processing: Modulation Recognition, Detection, and Decoding
Notice bibliographique
Résumé
The noises embedded in signals will degrade the signal processing quality. Traditional denoising algorithms might not work in practical systems since the statistical characteristics of noises might not be learned. To address this issue, we propose an efficient residual shrinkage convolutional neural network (RSCNN) aided denoiser based on the principle of the domain transformation, shrinking and inverse transforming operations conducted by the traditional denoiser. The proposed RSCNN is composed by the batch normalization layer, domain transformation layers, the shrinkage module and inverse transformation layers, wherein transformation layers consist of convolutional layers and the nonlinear activation function. Moreover, we propose a thresholds learning subnetwork to automatically determine the thresholds, so as to enhance noise suppressing performances. Furthermore, we compose the data set by preprocessing the received signals, and design the loss function according to different denoising requirements. To validate the efficiency and universality of the RSCNN aided denoiser, we apply the proposed RSCNN denoiser to three different application scenarios, including the modulation recognition, detection and decoding. After the offline training, at the online deployment stage, we utilize the RSCNN denoiser to reduce the noise power and improve the signal to noise ratios. Simulation results demonstrate that the proposed intelligent denoiser can efficiently improve the signal processing capabilities to achieve higher modulation recognition accuracy, better detection and decoding performances with lower complexity than benchmark schemes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».