Detection of linear chirp and non-linear chirp interferences in a spread spectrum signal by using Hough-Radon transform
Notice bibliographique
Résumé
The time-frequency distribution (TFD) of a spread spectrum signal looks more like a noise, and the energy distribution occupies the full two-dimensional time-frequency (TF) plane. Any jammer or interference will be well localized in the TF plane. By treating the TF plane as an image, the interference patterns can be detected by using the image analysis technique of Hough-Radon transform (HRT). Curves with mathematical equations can be easily detected by transforming the shapes into Hough domain, and searching for dominant peaks (maximum values). The co-ordinates of the dominant peaks provide the parameters of the shape. For example, in case of a straight line, the Hough domain would be the “rho, theta” space, where “rho and theta” are the parameters of a straight line. The maximum value in the rho, theta plane would correspond to the exact parmeters of the straight line. If a high resolution TFD for a spread spectrum signal is achieved, then any linear chirp or non-linear chirp interference will show up as straight lines and curves in the TF plane. By applying the HRT on the TF plane, chirp interferences can be identified. Evaluation of the proposed techniques show successful detection of both linear and hyperbolic (nonlinear) chirp interferences in spread spectrum signals even under very low SNR conditions of 0 dB. The method detects any localized interference as along as the interference pattern in the TF plane can be represented by a
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».