Analysis of 6G and B5G waveforms using hybrid MF-ED and ECG-ED spectrum sensing techniques
Notice bibliographique
Résumé
The rapid evolution of wireless communication has necessitated advanced waveform analysis for beyond-fifth-generation (B5G) and sixth-generation (6G) radio networks, focusing on efficient spectrum utilization. There is a need for greater spectrum allotment in data-intensive applications, and new technologies require faster data rates and reduced latency. This study explores hybrid spectrum sensing techniques, combining matched filter (MF) energy detection (ED) and an equal-gain combining-based energy detection Neyman-Pearson threshold estimation technique (EGC-ED-PTh) to enhance waveform detection accuracy in complex environments. The proposed method offers an enhanced signal-to-noise ratio (SNR) by optimizing the detection performance, particularly in low-SNR environments, thereby improving the signal reliability. The proposed algorithms are evaluated in comparison with traditional SS methods, including ED, MF, and cyclostationary feature detection (CFD). Additionally, characteristics including bit error rate (BER), power spectral density (PSD), probability of detection (pd), and probability of false alarm (pfa) were researched and evaluated for 500 and 1000 samples. The simulation findings show that the projected algorithms perform better than the traditional algorithms with minimum sidelobes of – 3024 and pfa effects and achieve a throughput gain of 5 and 4.7 dB compared with the conventional 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 | 0,001 | 0,001 |
| 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 | 0,001 | 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 ».