Underwater Acoustic Spectrum Sensing Algorithm Based on Personalized Federated Learning and RepViG
Notice bibliographique
Résumé
The Ocean Internet of Things (OIoT) has promoted the development of the ocean devices, which generate a large amount of underwater acoustic data. The transmission of underwater acoustic data requires a large amount of spectrum resources. Aiming at the problems of improving the utilization rate and security of spectrum resources, an underwater acoustic spectrum sensing algorithm based on personalized federated learning (PFL) and RepViG is proposed. A security protection framework is established for underwater acoustic data based on PFL. The common features of each underwater acoustic data are extracted through the meta-model. Each client only needs to fine-tune the parameters of the meta-model based on the local underwater acoustic data to achieve a personalized model. Based on the improved RepViT and the improved ViG, a dual-branch sensing model of RepViG is designed. In the improved RepViT, we employ the Haar wavelet downsampling (HWD) module to retain the low-frequency and high-frequency detail features of the underwater acoustic signal through multi-resolution. And we employ Interactive Convolution Block (ICB) to capture the relationship between local features and global features through multi-scale dynamic convolution kernels. In the improved ViG, we adopt the lightweight Star-Blcok module to reduce feature redundancy and enhance sensing efficiency. Compared with other algorithms, the simulation results show that the detection probability is increased by 7.6%, and the false alarm probability is reduced by 7.5%.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».