Simultaneous Dual-Band Classification for WLAN Band Selection
Notice bibliographique
Résumé
Accurate classification of dual-band Wi-Fi signals is essential for improving adaptive band selection and maintaining quality of service in complex indoor wireless environments. Although several efforts have addressed propagation modeling, only few works simultaneously examined dual-band classification across both 2.4 GHz and 5 GHz frequencies in realistic scenarios. In this work, we use the measurements data conducted in the Deutsches Museum Bonn, which captures both line-of-sight (LoS) and non-LoS (NLoS) propagation conditions in a complex indoor environment. Ten statistical features are extracted from the received signal data, including mean, standard deviation, and skewness. To classify the signals, multiple machine learning models are evaluated, including k-nearest neighbors, support vector machines, and two deep learning architectures. Among these, model 3A, which is a fully connected neural network comprising three hidden layers using ReLU activation with 64, 32, and 16 neurons, respectively, and a softmax output layer, achieves the best performance. Trained with the Adam optimizer and categorical cross-entropy loss, model 3A attains an overall classification accuracy of 93 \% at the optimal window, thus outperforming the baseline models in terms of precision, recall, and F1-score across all classes. These results highlight the model’s robustness for simultaneous dual-band classification and its potential application in intelligent band selection for next generation Wi-Fi systems.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,002 | 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 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 ».