DeepSense: An Unsupervised Deep Clustering Approach for Cooperative Spectrum Sensing
Notice bibliographique
Résumé
Cognitive radio (CR) users can transmit data as vacant licensed bands become available. By using machine learning, CR users can intelligently sense channel activity and determine the availability of empty channels. Learning-based CR systems that use supervised learning for spectrum sensing require labeled training data. Furthermore, the majority of existing deep learning-based detectors are supervised, requiring a lot of labeled training data to achieve adequate performance. On the other hand, obtaining a large amount of labeled data in practical CR may be difficult. To address this gap, we propose DeepSense, which is an unsupervised cooperative sensing approach that uses representation learning by a sparse autoencoder (SAE) and unsupervised clustering by a Gaussian mixture model (GMM). DeepSense does not rely on cooperation among many SUs. Instead, it uses the learned representation to improve the detection performance, which significantly decreases the network's cooperation overhead. DeepSense does not require any prior knowledge, such as noise characteristics or channel state information, to operate. Furthermore, only a small amount of unlabeled data is needed for training. Extensive simulations have been conducted, which suggest that the proposed detector is able to learn hidden features in the sensing data that allows it to achieve an excellent detection performance. Moreover, our results show that DeepSense outperforms pure GMM, and attains comparable detection performance to benchmark deep supervised learning-based cooperative sensing.
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 | 0,000 | 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 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 ».