WaveNet: Toward Waveform Classification in Integrated Radar–Communication Systems With Improved Accuracy and Reduced Complexity
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
The integration of radar and communication systems in 6G networks has led to a significant challenge of spectrum congestion. To address this issue, we propose a deep learning-based method for efficient waveform-based signal classification. Our method is designed to handle large and impaired radar and communication signals, and is crucial for the implementation of resource-limited cognitive radio-enabled Internet-of-Things (CR-IoT) devices. We introduce WaveNet, a cost-efficient deep convolutional neural network that can aptly learn underlying radio features from time-frequency images transformed by a smooth pseudo Wigner-Ville distribution. WaveNet incorporates several innovative modules, including cost-efficient feature awareness, which integrates two well-designed structural blocks: grouped-of-kernel-wise residual connections and dual asymmetric channel attention. These enhancements significantly reduce network size without compromising classification accuracy. Based on various simulations experimented on an impaired signal dataset containing eight radar and communication waveform types, the results demonstrate the effectiveness and robustness of WaveNet, achieving an overall classification accuracy of 92.02%. Compared to the current state-of-the-art deep models, WaveNet has the lowest architectural complexity, with a network size five times smaller, while still outperforming them by approximately 0.5 – 1.69%. Consequently, WaveNet emerges as a valuable solution for waveform classification in integrated radar-communication 6G systems.
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 | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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