A Data-Driven Approach to Radio Frequency Signal Level Forecasting Using Machine Learning Algorithms
Notice bibliographique
Résumé
Advances in wireless technology allow autonomous wireless network deployments. Radiofrequency (RF). To integrate into networks, transmitters and receivers need to be aware of their environment and modify their broadcasting and receiving capacities. Because it can learn, evaluate, and forecast RF signals and environmental factors, machine learning is widely used. This dissertation tackles some of the challenges with RF learning approaches. Jamming and spoofing may render most machine learning algorithms useless when attackers are present. Adversarial learning is used to detect illegal RF spectrum use to allow learning in such circumstances. First, the researcher illustrates$\mathbf{R F}$machine learning. Using separate cellular models, they build and deploy three recurrent neural networks for RF transmitter fingerprinting. Then safeguard dynamic spectrum access network broadcasts, which may be vulnerable to PUE assaults. A generative adversarial network (GAN) based solution to primary user emulation (PUE) attacks is proposed. Finally, recurrent neural network models predict principal users' DSA network activities so secondary users may exploit the shared spectrum opportunistically. Researchers use the specified learning models on testbeds utilizing Universal Software Radio Peripherals (USRPs) and Software Defined Radios (SDRs). Substantial improvements in the accuracy of RF transmitter characterization demonstrate the practical deployment capabilities of our models.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».