Dual Anti-Jamming Alleviation for Radio Frequency/Free-Space Optical (RF/FSO) Tactical Systems
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
In this paper, we design a jamming alleviation plan to protect a mixed radio frequency/free-space optical (RF/FSO) relay tactical network in the context that both RF and FSO systems are simultaneously attacked by enemy jammers. Unlike prior works that focused mainly on a single type of jamming attack (e.g. RF jamming), our proposed plan can protect the entire network against multiple types of jamming at the same time. We formulate a joint optimization problem of power allocation (PA) and Field-of-View (FoV) tuning strategy to maximize the RF uplink sum rate, subject to capacity and security constraints for both FSO and RF systems. To address this non-convex optimization problem, at first, we derive a closed-form expression of the optimal FoV angle. Then, the optimal FoV angle solution is computed to solve the PA problem. Since the PA problem has a non-convex form, we use an advanced technique of first-order Taylor approximation with the difference of convex functions method to solve it. The obtained solution of the optimization problem is then used for training a machine learning model that optimizes the system in real-time. Based on the Multi-Agent Deep Reinforcement Learning (MADRL) method, we develop a MADRL-based jamming alleviation algorithm to obtain the optimized solution of PA in near real-time. The numerical results show that the performance of the proposed MADRL-based jamming alleviation algorithm with low computational complexity is close to that of the optimization method.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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