Dual Anti-Jamming Alleviation for Radio Frequency/Free-Space Optical (RF/FSO) Tactical Systems
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.
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) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».