Hierarchical Classification Method for Radio Frequency Interference Recognition and Characterization in Satcom
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The Quality of Service (QoS) and security of Satellite Communication (Satcom) are crucial as Satcom plays a significant role in a wide range of applications, such as direct broadcast satellite, earth observation, navigation, and government/military systems. Therefore, it is necessary to ensure that transmissions are incorruptible, particularly in the presence of challenges such as Radio Frequency Interference (RFI), which is of primary concern for the efficiency of communications. The security of a wireless communication system can be improved using a robust RFI detection method, which could, in turn, lead to an effective mitigation process. This paper presents a new method to recognize received signal characteristics using a hierarchical classification in a multi-layer perceptron (MLP) neural network. The considered characteristics are signal modulation and the type of RFI. In the experiments, a real-time video stream transmitted in the direct broadcast satellite is utilized with four modulation types, namely, QPSK, 8APSK, 16APSK, and 32APSK. Moreover, it is assumed that the communication signal can be combined with one of the three significant types of interference, namely, Continuous Wave Interference (CWI), Multiple CWI (MCWI), and Chirp Interference (CI). In addition, two robust feature selection techniques have been developed to select more informative features, which leads to improving the classification precision. Furthermore, the robustness of the trained techniques is assessed to predict unknown signals at different Signal to Noise Ratios (SNRs).
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle