Intelligent Spectrum Sensing: An Unsupervised Learning Approach Based on Dimensionality Reduction
Notice bibliographique
Résumé
In Cognitive radio (CR), users take advantage of vacant licensed bands to transmit their data as they become available. Cognitive users employ an autonomous perception-action decision cycle that starts with sensing the activity of licensed users. By using machine learning techniques, CR users can attain their full cognitive potential and smartly detect empty frequency bands. Learning-based CR systems that utilize supervised learning for spectrum sensing require labeled data for model training. Having readily accessible labeled data is a challenging task for CR networks, since it necessitates cooperation between licensed and unlicensed users. In interweave CR networks, such cooperation is not feasible and imposes a significant communication overhead. Motivated by the above, we address the practical limitation of labeled data scarcity in learning-based CR networks by designing a novel unsupervised learning framework for cooperative spectrum sensing based on a Gaussian mixture model (GMM) and principal component analysis (PCA) that uses a small amount of unlabeled data for training and requires no prior knowledge of the radio environment. The system is mathematically simulated, and its performance is evaluated based on various detection performance metrics. According to our findings, our proposed approach outperforms the GMM algorithm and is on par with supervised learning algorithms such as SVM, RF, and DT. Furthermore, the proposed approach is shown to be robust to low 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.
Comment cette classification a été obtenuedéplier
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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».