A Robust Jamming Signal Classification and Detection Approach Based on Multi-Layer Perceptron Neural Network
Notice bibliographique
Résumé
The Quality of Service (QoS) and security of a wireless communication system can be improved using a robust Radio Frequency Interference (RFI) detection method, which could in turn lead to an effective mitigation process.Due to the vast variety of RFI signals in existence, it is crucial to deploy a spectrum signal detection technique dealing with all kinds of potential interference (non-intentional or intentional, known as jamming).To solve this problem, a robust multi-class Multi-Layer Perceptron (MLP) neural network technique has been developed in this paper to recognize jamming signals in a real-time digital video broadcasting scenario based on DVB-S2 standards.It is assumed that the communication signal can be combined with one of the three major kinds of interference, namely, Continuous Wave Interference (CWI), Multiple CWI (MCWI) and Chirp Interference (CI).The proposed algorithm can either classify the interference under its related group or recognize the Signal of Interest (SoI).Besides analyzing different learning approaches (such as online learning, full-batch, and mini-batch), the Principal Component Analysis (PCA) technique is deployed to select more informative features to enhance the classifier's performance.More importantly, a new methodology is presented to generate a real-time jamming signal dataset that is entirely different from what is provided in other similar studies.Furthermore, the robustness of the trained classifier is assessed to detect unknown signals at different Signal to Noise Ratios (SNR).In addition, the performance of the proposed design is compared with the well-known Support Vector Machine (SVM) Machine Learning (ML) technique in terms of both jamming signal classification and detection.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».