Automatic Modulation Recognition of Underwater Acoustic Signals Using a Two-Stream Transformer
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 (AMR) of underwater acoustic (UWA) signals is incredibly challenging due to the complexity of UWA channels and the severity of ocean noise. In the presence of noise interference, single-modal features fail to fully represent the characteristics of different modulated signals. While the in-phase/quadrature (I/Q) and time-frequency maps can adequately represent the signal features in the time, frequency, and time-frequency domains, the direct integration of the two modalities is ineffective because of the variations in shape, information granularity, and noise manifestation. To address the low recognition rate caused by the above issues, we propose a two-stream transformer (TSTR) based network for AMR of UWA signals. First, the input pre-processing layer obtains the I/Q and time-frequency features from the received signals. Then, the feature capture layer extracts high-dimensional signal features in the time, frequency, and time-frequency domains. Finally, the classification layer estimates the modulation of the signals. A multi-head self-attention module with adaptive soft thresholding is used in the feature capture layer to provide noise reduction and redundant feature rejection while retaining context information. Moreover, multi-scale ghost convolution is employed to address the inability of the transformer to efficiently extract spatial characteristics from the signals. Results are presented using real UWA channels from the Watermark dataset for two different seas which show that the TSTR improves recognition by 1.2% and 5.9% over the best existing model. Further, it has better generalization capabilities and the model has a small number of parameters so the time complexity is low.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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