Automatic Modulation Classification of Frequency-Hopping Signals Using High-Dimensional Phase Diagrams
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
Automatic modulation recognition for frequency-hopping (FH) signals remains very challenging to researchers due to the signals' time-varying spectral characteristics. In this work, a novel robust automatic modulation recognition scheme is investigated for FH signals using the phase-space topological features represented by the embedded phase diagrams. As such embedded phase diagrams are often high-dimensional, it is necessary to formulate the phase-space features as tensors. In the training process, the phase-space tensor features will be utilized to establish the regression models as linear encoders for the individual modulations. The aforementioned linear encoders are constructed using the support vector machine (SVM); the phase-space feature-tensors of the training signals of all modulations will be projected by their corresponding regression models (or linearly encoded) to produce the representative code-vectors, respectively. In the test stage, the phase-space feature-tensor produced from a test signal will be projected by each individual trained regression model (or linearly encoded) to generate the respective code-vectors. Then, the code-vectors resulting from the test stage will be compared with the representative code-vectors to find which modulation will lead to the smallest Euclidean distance in between and such a modulation will be picked as the modulation type of the test signal. Monte Carlo simulation results have demonstrated that the average recognition accuracy of our proposed new approach is more than 90% when the signal-to-noise ratio is no less than 0 dB for additive white Gaussian noise.
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 | 0,002 |
| 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