Дрон. виявлення з радіочастотними сигналами та моделями глибокого навчання з відкритим вихідним кодом папір Сюаньцзе Дай.

Широке використання безпілотників викликає значні занепокоєння з точки зору безпеки, екології, конфіденційності та етики, що робить ефективне виявлення безпілотників вкрай важливим. Наразі для виявлення безпілотників використовуються різні методи, такі як виявлення бездротового сигналу, фотоелектричне виявлення, радіолокаційне виявлення та звукове виявлення. Однак цим методам часто не вистачає точності, необхідної для точної ідентифікації безпілотників. Для вирішення цієї проблеми потрібні більш надійні методи виявлення. Крім того, різні типи безпілотників і сценарії їх застосування вимагають індивідуальних підходів до виявлення та ідентифікації.

У цьому дослідженні порівнювалася продуктивність різних моделей машинного навчання, глибокого навчання та багатозадачних моделей на відкритому наборі даних радіочастотного сигналу (РЧ) для задач 2, 4 та 10 класів. Інтегруючи радіочастотні методи зі згортковими нейронними мережами (CNN), автор розробив багатозадачну модель для безпілотник виявлення та класифікація. Експериментальні результати показують, що модель XGBoost досягла виняткової точності: 99,96% для задачі 2 класів, 92,31% для задачі 4 класів і 74,81% для задачі 10 класів, що робить її найкращою моделлю для виявлення і класифікації безпілотників на цьому революційному наборі даних.

Дата публікації- Березень 2024 року

Виявлення безпілотників за допомогою радіочастотних сигналів і моделей глибокого навчання містить такі основні розділи:

• Вступ
• Пов'язані роботи
• Опис набору даних
• Методи
• Результати
• Висновок

Пост-кредит зображення - envatoelements by lzf