Drone deteção com sinais de radiofrequência e modelos de aprendizagem profunda é um software de código aberto papel por Xuanze Dai.
A utilização generalizada de drones suscita preocupações significativas em termos de segurança, ambiente, privacidade e ética, tornando crucial a deteção eficaz de drones. Vários métodos, como a deteção de sinais sem fios, a deteção fotoeléctrica, a deteção por radar e a deteção de som, são atualmente utilizados para detetar drones. No entanto, estes métodos carecem frequentemente da precisão necessária para uma identificação exacta dos drones. Para responder a este desafio, são necessárias técnicas de deteção mais robustas. Além disso, os diferentes tipos de drones e cenários de aplicação exigem abordagens de deteção e identificação adaptadas.
Este estudo comparou o desempenho de diferentes modelos de aprendizagem automática, aprendizagem profunda e multitarefa num conjunto de dados aberto de sinais de radiofrequência (RF) em problemas de 2, 4 e 10 classes. Ao integrar métodos de RF com Redes Neuronais Convolucionais (CNNs), o autor desenvolveu um modelo multitarefa para zangão deteção e classificação. Os resultados experimentais demonstram que o modelo XGBoost alcançou uma precisão excecional, com 99,96% para o problema de 2 classes, 92,31% para o problema de 4 classes e 74,81% para o problema de 10 classes, tornando-o o modelo com melhor desempenho para a deteção e classificação de drones neste conjunto de dados inovador.
Data de publicação- março de 2024
A deteção de drones com sinais de radiofrequência e modelos de aprendizagem profunda contém as seguintes secções principais
- Introdução
- Trabalhos relacionados
- Descrição do conjunto de dados
- Métodos
- Resultados
- Conclusão
Crédito da imagem do post - envatoelements por lzf
