Dron wykrywanie z sygnałami o częstotliwości radiowej i modelami głębokiego uczenia się jest open-source papier przez Xuanze Dai.

Powszechne wykorzystanie dronów budzi poważne obawy związane z bezpieczeństwem, środowiskiem, prywatnością i etyką, co sprawia, że skuteczne wykrywanie dronów ma kluczowe znaczenie. Obecnie do wykrywania dronów stosowane są różne metody, takie jak wykrywanie sygnału bezprzewodowego, wykrywanie fotoelektryczne, wykrywanie radarowe i wykrywanie dźwięku. Jednak metody te często nie są wystarczająco precyzyjne, aby zapewnić dokładną identyfikację dronów. Aby sprostać temu wyzwaniu, wymagane są bardziej niezawodne techniki wykrywania. Ponadto różne typy dronów i scenariusze zastosowań wymagają dostosowanych podejść do wykrywania i identyfikacji.

W niniejszym badaniu porównano wydajność różnych modeli uczenia maszynowego, głębokiego uczenia i wielozadaniowości na otwartym zbiorze danych sygnałów częstotliwości radiowej (RF) dla problemów 2-klasowych, 4-klasowych i 10-klasowych. Poprzez integrację metod RF z konwolucyjnymi sieciami neuronowymi (CNN), autor opracował model wielozadaniowy dla dron wykrywania i klasyfikacji. Wyniki eksperymentów pokazują, że model XGBoost osiągnął wyjątkową dokładność, z 99,96% dla problemu 2-klasowego, 92,31% dla problemu 4-klasowego i 74,81% dla problemu 10-klasowego, co czyni go najlepiej działającym modelem do wykrywania i klasyfikacji dronów w tym przełomowym zbiorze danych.

Data publikacji- Marzec 2024 r.

Wykrywanie dronów za pomocą sygnałów o częstotliwości radiowej i modeli głębokiego uczenia się zawiera następujące główne sekcje:

• Wprowadzenie
• Powiązane prace
• Opis zestawu danych
• Metody
• Wyniki
• Wnioski

Post Image Credit- envatoelements by lzf