176 Arbeiten
Dieser Übersichtsartikel analysiert die Entwicklung von Strategien zur Abwehr von Täuschungsstörungen bei Radarsystemen, kategorisiert diese in Prävention, Detektion und Minderung und hebt zukünftige Forschungsrichtungen wie verteilte, kognitive und KI-gestützte Systeme hervor.
Die vorliegende Arbeit untersucht ein auf kontinuierlichen Apertur-Arrays (CAPA) basierendes Mehrgruppen-Multicast-Kommunikationssystem, entwickelt effiziente Algorithmen zur Maximierung der Energieeffizienz unter Berücksichtigung von Kanalkonstanten und zeigt, dass CAPA zwar die Energieeffizienz im Vergleich zu diskreten Arrays steigern kann, jedoch eine größere Aperturgröße oder breitere Nutzerverteilungen nicht immer vorteilhaft sind.
Dieser Artikel stellt ein effizientes, auf komprimierter Abtastung basierendes Verfahren zur superauflösenden Schätzung von Zielsignaturen in XL-MIMO-FMCW-Radarsystemen vor, das die durch den räumlichen Breitbandeffekt verursachten Herausforderungen bei der Zielidentifikation löst und dabei eine geringe Rechenkomplexität für Echtzeitanwendungen gewährleistet.
Diese Arbeit stellt ein informationszentriertes Framework vor, das die Berechnung der Cramér-Rao-Schranken für die Lokalisierung starrer Körper unter beliebigen Messbedingungen und Fehlerverteilungen ermöglicht und dabei die Genauigkeit sowohl von Translationsvektoren als auch Rotationsmatrizen explizit erfasst.
Diese Arbeit stellt einen effizienten, wissensdistillierten Rahmen für die sensorunterstützte Langzeit-Strahlverfolgung in mmWave-Kommunikationssystemen vor, der durch den Einsatz eines leichten Schüler-Neuralen-Netzwerks, das von einem großen Lehrer-Netzwerk trainiert wird, eine hohe Vorhersagegenauigkeit bei gleichzeitiger drastischer Reduzierung der Modellparameter, Rechenkomplexität und Latenz erreicht.
Dieser Brief stellt eine neuartige Methode vor, die mithilfe kaskadierter Akkumulatoren zeitindexierte gewichtete Summen der Form ohne vollständige Datenspeicherung und mit nur Multiplikationen effizient berechnet, was eine Echtzeitverarbeitung ermöglicht.
Die Arbeit stellt stochastische Greedy-Algorithmen (MRG und DRG) sowie den Random-WSSA-Algorithmus vor, um unter Berücksichtigung von Robustheitseigenschaften effizient schwach-submodulare Sensorauswahlprobleme mit Budget- und Leistungsbeschränkungen für Erdbeobachtungssatellitenkonstellationen zu lösen.
Diese Arbeit schlägt eine neuartige Formulierung für die submodulare Multi-Task-Auswahl vor, die durch relative Entropie regularisiert wird, um eine lokal verteilungsrobuste Lösung zu gewährleisten, die sich effizient mittels gieriger Algorithmen optimieren lässt und in Anwendungen wie Satellitenauswahl und Bildzusammenfassung überlegene Ergebnisse liefert.
Die Arbeit stellt Wall-Street vor, eine intelligente, fahrzeugmontierte Oberfläche, die durch die Bündelung von mmWave-Signalen und nahtlose Zellwechsel die Zuverlässigkeit und Leistung von Mobilfunkverbindungen für sich schnell bewegende Fahrzeuge im Vergleich zu herkömmlichen Handover-Verfahren erheblich verbessert.
Die vorgestellte Arbeit schlägt ein Multi-Domain-Supervised-Contrastive-Learning-Framework namens Open-RFNet vor, das durch die Fusion von ResNet- und Transformer-Encoder-Features sowie einen verbesserten IG-OpenMax-Algorithmus eine hochpräzise Open-Set-Erkennung von nichtkooperativen UAVs in 5G-Advanced-Netzen ermöglicht.
Die vorgestellte Arbeit stellt ACCOR vor, einen auf komplexwertigen IQ-Signalen basierenden Ansatz mit Aufmerksamkeitsmechanismen und kontrastivem Lernen, der die robuste Klassifizierung verdeckter Objekte mittels mmWave-Radar bei 64 GHz und 67 GHz mit einer Genauigkeit von bis zu 96,60 % ermöglicht.
Diese Studie zeigt, dass die Kombination von elektrischen Impedanzsignaturen von Zellen mit dem Random-Forest-Machine-Learning-Algorithmus eine Vorhersagegenauigkeit von etwa 90 % für die Klassifizierung von bösartigen Zellen ermöglicht.
Diese Arbeit schließt die Lücke zwischen diskreten und kontinuierlichen Modellen für die affine Frequenzdivisionsmultiplexierung (AFDM), indem sie einen analytischen Rahmen entwickelt, der die Bedeutung von bandbegrenzten Pulsen, die spektralen Eigenschaften sowie die Auswirkungen von Hardwarestörungen und die Cramér-Rao-Schranken für die Kanalschätzung untersucht.
Das Paper stellt VoxKnesset vor, einen großen, longitudinalen hebräischen Sprachdatensatz mit Parlamentsaufnahmen von 393 Sprechern über 15 Jahre, der genutzt wird, um die Auswirkungen des Alterns auf die Sprechererkennung und Altersvorhersage zu untersuchen und robuste Sprachsysteme zu entwickeln.
Die Studie stellt einen auf einem Conditional Variational Autoencoder basierenden maschinellen Lernansatz vor, der die rekonstruktive Umkehrung von Schockantwortspektren zu Beschleunigungszeitreihen effizient und ohne iterative Optimierung ermöglicht und dabei sowohl höhere spektrale Genauigkeit als auch eine um mehrere Größenordnungen schnellere Inferenz als herkömmliche Methoden bietet.
Der Artikel stellt eine auf segmentierten Wellenleitern basierende Tri-Hybrid-Beamforming-Architektur für den Uplink in Multi-User-MIMO-Systemen vor, die durch die gemeinsame Optimierung digitaler, analoger und Pinching-Beamforming-Komponenten in vollständig und teilweise verbundenen Topologien eine überlegene Leistung gegenüber herkömmlichen Ansätzen bei einem ausgewogenen Verhältnis von Summenrate und Energieverbrauch erzielt.
Diese Arbeit stellt ein einheitliches Rahmenwerk vor, das die Block-Energie-Statistik geformter Konstellationen mit den Niederfrequenzanteilen des Intensitätsfluktuationsleistungsdichtespektrums verknüpft, um durch spektral-zeitliche Co-Design-Regeln die nichtlineare Störung in kohärenten Glasfasersystemen zu minimieren.
Die vorgestellte Arbeit schlägt einen Deep-Learning-basierten konformen Bayes-Filter (DCBF) vor, der durch die Integration von konformer Quantilregression und Bayes-Filterung zuverlässige MIMO-Kanalvorhersagen mit kalibrierter Unsicherheit liefert und dabei die Schwächen herkömmlicher Kalman-Filter sowie übermäßig selbstbewusster Deep-Learning-Modelle überwindet.
Diese Studie stellt eine neue Methode zur zuverlässigen Erkennung von GNSS-Störungen vor, die die maximale Rauschbodenmessung von vier gleichzeitigen Reflexionen der CYGNSS-Satellitenkonstellation mit einem zweistufigen Verifikationsrahmen kombiniert, um in Tests über Weißer Sands und im Nahen Osten eine signifikant höhere Detektionsrate als bestehende Ansätze zu erzielen.
Diese Arbeit stellt eine Methode vor, die frequenzabhängige Amplitudenabnahme im Durchlassbereich von Comb-Decimatoren durch die Kaskadierung eines symmetrischen 3-Tap-FIR-Filters in der Integratorstufe und die Auswahl der Koeffizienten als Funktion der Ordnung reduziert, um die Abhängigkeit vom Dezimationsfaktor zu verringern.