A New Multi-Dimensional Hybrid Deep Neural Network Based Spectrum Inference for Cognitive Radio Network
Notice bibliographique
Résumé
In wireless communications, cognitive radio (CR) technology has significantly enhanced radio spectrum efficiency.Spectrum sensing is a key process in CR along with other major functions namely spectrum decision, sharing and mobility.Minimizing the processing delays, energy consumption of these functions and enhancing spectrum utilization is a major challenge.Spectrum inference has been proposed as a viable solution to overcome these problems.Many machine learning-based spectrum inference techniques using artificial neural networks (ANNs) and deep neural networks have been proposed in literature.In this paper we aimed to determine whether hybrid deep neural network based spectrum inference model outperform single model in time and frequency domains for spectrum occupancy dataset.Radial basis function (RBF) neural network tend to excel in extracting spatial features of spectrum data whereas bidirectional long short-term memory (BiLSTM) work very well for temporal dependencies of this data.Spectrum dataset exhibit both short-and-long term temporal/spectral dependencies.In this paper we have proposed spectrum inference based on a hybrid deep neural network RBF and BiLSTM.The proposed algorithm has been simulated using real time spectrum measurement data with time dimension ranging from (1 to 7 days), spectral range (0.7 GHz to 2.7 GHz) across three geographically varying locations Pune, Solapur and Kalaburagi in India.Hybrid deep neural network integration of RBF and BiLSTM is built, tested and compared with single models LSTM, BiLSTM for accuracy and speed.The hybrid method has outperformed single models to achieve Precision, Recall, F1 scores of 0.9959, 0.9575, 0.9763 respectively and training time improvement of 57.60% for GSM and whole band in frequency and time dimensions.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».