Swift Statistical Fingerprinting Supporting Electronic Warfare Signal Characterization: A Music Processing Approach
Notice bibliographique
Résumé
In electronic warfare, distinguishing adversarial from friendly signals is a persistent challenge, especially when no reference templates exist.This work explores a blind signal processing approach, combining latent dictionary learning with Markov chain modeling, to rapidly characterize unknown radio-frequency signals using frequency state transitions.To test the method, we used musical excerpts (Brahms' Violin Concerto) as proxies for radio frequency waveforms, analyzing both clean and corrupted versions.First, we decomposed the audio signals into time-frequency spectra using the Fourier transform, then construct overcomplete spectral dictionaries via nonnegative matrix factorization.By applying sparse coding using the least absolute shrinkage and selection operator and Markovian analysis, we derived transition matrices that served as statistical, frequency state transition fingerprints.These fingerprints revealed clear differences between clean and distorted signals-such as gaps in transition probabilities (e.g., [898-1021] Hz) caused by simulated violin playing errors.While nonnegative matrix factorization and Markov modeling successfully highlighted corruption patterns, simplex-based endmember extraction proved less discriminative, likely due to its inherent lack of eigenmode generation.The results suggest that temporal-spectral fingerprinting-without relying on neural networks-could enable fast, efficient signal classification in electronic warfare, particularly for signals of unknown origin.This approach may serve as a preprocessing step for more complex radio frequency analysis pipelines.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».