Optimizing RF-Sensing for Drone Detection: The Synergy of Ensemble Learning and Sensor Fusion
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
Unmanned Aerial Vehicles (UAVs) find extensive applications across various industries, surveillance, and communication services. However, concerns regarding their potential misuse have prompted the development of counter-drone measures. In this paper, we propose a counter-UAV approach centered on radio frequency (RF) signal sensing. Upon the detection of an RF signal, our system employs a Short-Time Fourier Transform (STFT)-based spectrogram (SP) generation process. This SP is further refined through adaptive windowing and logarithmic tuning to extract multi-intensity features. To classify the complex RF time-domain signals and STFT spectrograms, we utilize two deep learning classifiers: RF-Network and SP-Network, facilitating a multi-class classification process by using deep neural networks (DNN). To enhance the overall accuracy of our model, we leverage an ensemble neural network (EN-Net) by combining predictions from the RF-Network and SP-Network classifiers. Fusing data from a single sensor in both time and frequency domains enhances DNN accuracy by providing complementary information, improving robustness, and reducing overfitting, resulting in increased model performance and a deep understanding of the data. Our results demonstrate a notable improvement in accuracy—specifically, a 36% increase for multi-class models when compared to single-class models. This proves the effectiveness of our EN-Net model in addressing security threats posed by UAVs through advanced RF signal analysis and classification.
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 | 0,000 | 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 | 0,000 |
| 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