ITALYSIG: Open and High Fidelity I/Q Signal Database With Tutorial and Applications for Wireless Research
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
High-fidelity in-phase and quadrature (I/Q) signal traces are critical for a variety of wireless network applications, including spectrum monitoring, interference detection and mitigation, radio-frequency (RF) fingerprinting (RFFP), smart jamming detection, anomaly identification, and modulation classification. However, the number and scope of publicly available I/Q datasets are currently limited, as most datasets are either restricted to a single frequency or wireless technology, or collected in controlled laboratory environments. This paper introduces ITALYSIG, a comprehensive, high-definition, open-source I/Q database of diverse real-world radio signals, including cellular, radar, and other wireless technologies. ITALYSIG provides I/Q captures with up to 100 MHz bandwidth, collected across diverse urban and rural environments in Italy. The I/Q signals are stored in multiple formats, including raw binary files, standardized VITA Radio Transport (VRT, VITA-49), and visual formats such as Portable Network Graphics (PNG) and JavaScript Object Notation (JSON) for broader applicability. The data-acquisition setup is based on a CRFS RFeye SenS Portable recorder at the front end, which enables automatic long-term I/Q recordings on the order of hours, multi-terabyte storage, and real-time signal processing. In addition to releasing the dataset, this article provides a comprehensive overview and qualitative comparison of state-of-the-art datasets in terms of measurement setup, data format, wireless technology, frequencies, and time duration. Furthermore, this article provides a tutorial on the end-to-end measurement setup for automatic I/Q acquisition, multi-format export, and back-end storage, as well as real-time analysis via the DeepView software. Finally, we provide guidelines for integrating I/Q traces into deep learning pipelines and highlight specific use cases of the dataset.
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.
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 | 0,002 | 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 | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,002 |
| 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 découle