Intelligent Spectrum Sensing Algorithm for Cognitive Internet of Vehicles Based on KPCA and Improved CNN
Notice bibliographique
Résumé
Abstract With the acceleration of economic globalization and integration, the global trade is becoming more frequent, which promotes the vigorous development of transportation industry. In recent years, the Internet of Vehicle (IoV) has developed rapidly in the transportation industry, and the number of IoV users has exploded. The requirements for IoV communication services are very high, resulting in the lack of spectrum resources. Rather than utilizing traditional spectrum resource allocation methods, cognitive radio technology makes full use of idle frequency bands, improving the IoV communication spectrum’s utilization rate. Spectrum sensing is the primary link to realize a cognitive radio. However, IoV mobile communication environment is characterized by complexity, dynamism, and substantial noise interference, thus imposing significant challenges to spectrum sensing. Thus, this paper proposes an intelligent spectrum sensing algorithm based on kernel principal component analysis (KPCA) and an improved convolutional neural network (CNN). Since the wireless signal cannot distinguish the signal and noise linearly, KPCA maps the sampled signal to a high-dimensional space, creates a covariance matrix, and obtains eigenvector data of the signal and noise through matrix decomposition. A spectrum sensing classifier based on improved CNN is proposed, and the dynamic threshold is obtained via offline training. Compared with the traditional algorithm, the designed deep CNN improves the model’s training speed, enables parameter sharing, and reduces the number of model parameters, effectively reducing the computational complexity. Additionally, due to the extracted signal feature’s small dimension, the algorithm reduces the number of pooling layers and avoids the effective features’ loss, thus increasing the detection probability. Finally, the proposed algorithm achieves a 10% higher sensing accuracy than support vector machine (SVM), Elman, and LeNet5 algorithms, signaling its robustness.
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 | 0,001 |
| 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 | 0,000 |
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 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 ».