Drone detección con señales de radiofrecuencia y modelos de aprendizaje profundo es una papel por Xuanze Dai.
El uso generalizado de drones plantea importantes problemas de seguridad, medioambientales, de privacidad y éticos, por lo que es crucial una detección eficaz de los mismos. Actualmente se emplean varios métodos para detectar drones, como la detección de señales inalámbricas, la detección fotoeléctrica, la detección por radar y la detección por sonido. Sin embargo, estos métodos carecen a menudo de la precisión necesaria para identificar drones con exactitud. Para hacer frente a este reto, se necesitan técnicas de detección más robustas. Además, los distintos tipos de drones y escenarios de aplicación requieren enfoques de detección e identificación adaptados.
Este estudio compara el rendimiento de diferentes modelos de aprendizaje automático, aprendizaje profundo y multitarea en un conjunto de datos abierto de señales de radiofrecuencia (RF) en problemas de 2, 4 y 10 clases. Mediante la integración de métodos de RF con redes neuronales convolucionales (CNN), el autor desarrolló un modelo multitarea para... dron detección y clasificación. Los resultados experimentales demuestran que el modelo XGBoost logró una precisión excepcional, con 99,96% para el problema de 2 clases, 92,31% para el problema de 4 clases y 74,81% para el problema de 10 clases, lo que lo convierte en el modelo de mejor rendimiento para la detección y clasificación de drones en este innovador conjunto de datos.
Fecha de publicación- Marzo de 2024
Detección de drones con señales de radiofrecuencia y modelos de aprendizaje profundo contiene las siguientes secciones principales:
- Introducción
- Trabajos relacionados
- Descripción del conjunto de datos
- Métodos
- Resultados
- Conclusión
Post Image Credit- envatoelements by lzf
