Intelligent Spectrum Sensing of Consumer IoT Based on GAN-GRU-YOLO
Notice bibliographique
Résumé
In the swift evolution of 5G cellular communication technology and Internet of Things (IoT), the consumer electronics market is booming. Consumer IoT has become an emerging industry. However, the development of the consumer IoT is subject to limited spectrum resources. Hence, this study suggests a smart spectrum sensing approach for consumer IoT based on GAN-GRU-YOLO. First, a Continuous Wavelet Transform (CWT) is used to capture frequency domain information from the received signals. A frequency domain feature matrix is constructed and then converted to a signal spectrogram to improve data diversity and enhance sensing. GAN is used to learn the signal spectrogram to generate more realistic synthetic data to achieve data enhancement and improve the classification performance of the overall model. Then, a two-branch GRU-YOLO network is employed to learn the signal characteristics in the time and frequency domains. The upper branch captures local feature information in the frequency domain and the YOLOv5 network captures high-level features. A combination of GRU and CNN in the lower branch extracts features from the data time series to ensure information continuity. Finally, the branch outputs are fused for further processing. The GAN-GRU-YOLO network has high generalization ability and efficiency. Compared with other methods, the proposed approach has a lower false alarm probability$(P_{f})$and a higher detection probability$(P_{d})$. At a signal-to-noise (SNR) ratio of -15 dB, the$P_{d}$is 11% to 65% higher and the$P_{f}$is 25% to 61% lower than the ResNet, MobileNet, Transformer and YOLOv6 algorithms.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».