A computationally efficient hybrid ROI-centric architecture for multi-component wideband detection
Cargando...
Tipo de contenido
Editor
Document language:
Inglés
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
Esta tesis presenta una arquitectura híbrida computacionalmente eficiente y centrada en Regiones de Interés (ROI) para la detección de múltiples componentes en banda ancha, abordando los desafíos persistentes de la congestión espectral, la interferencia y las limitaciones de recursos en el borde. A diferencia de los métodos convencionales, este estudio introduce un flujo de trabajo informado por la física que concentra el cómputo en áreas relevantes, preservando la morfología de la señal y codificando prioris de radiofrecuencia (RF).
El modelo propuesto integra una etapa de preprocesamiento que preserva la física mediante una Extensión Multicanal (MCE) e Inyección Metrológica Explícita (EMI), combinada con una red de propuesta de regiones optimizada mediante una pérdida asimétrica de Tversky.
Esta arquitectura optimiza conjuntamente la localización de señales, la clasificación de modulación y la discriminación de tipos de interferencia (CCI/ACI), mejorando significativamente la robustez en regímenes de baja relación señal-ruido (SNR) y escenarios de superposición espectral. Además, se incorpora una estrategia de meta-aprendizaje (MAML) para adaptar el modelo a condiciones de transmisión por aire (OTA), reduciendo la brecha entre datos sintéticos y reales.
A través de una validación extensa en benchmarks sintéticos y capturas OTA, los resultados demuestran que el sistema supera a líneas base de última generación como YOLOv8n y CRNN, ofreciendo una precisión superior bajo interferencia severa. Asimismo, la implementación en hardware embebido (Raspberry Pi 5 y NVIDIA Jetson) confirma la viabilidad del sistema para el monitoreo en tiempo real, logrando un equilibrio óptimo entre precisión, latencia y consumo energético para aplicaciones de radio cognitiva (Texto tomado de la fuente).
Abstract
This thesis presents a computationally efficient, Region-of-Interest (ROI)-centric hybrid architecture for multi-component wideband detection, addressing the persistent challenges of spectral congestion, interference, and resource constraints on edge devices. Unlike conventional approaches, this study introduces a physics-informed workflow that concentrates computation on relevant areas, preserving signal morphology and encoding Radio Frequency (RF) priors.
The proposed model integrates a physics-preserving preprocessing stage via Multi-Channel Extension (MCE) and Explicit Metrological Injection (EMI), combined with a region proposal network optimized using an asymmetric Tversky loss. This architecture jointly optimizes signal localization, modulation classification, and interference type discrimination (CCI/ACI), significantly enhancing robustness in low Signal-to-Noise Ratio (SNR) regimes and spectral overlap scenarios. Furthermore, a Model-Agnostic Meta-Learning (MAML) strategy is incorporated to adapt the model to Over-the-Air (OTA) conditions, bridging the gap between synthetic and real-world data.
Through extensive validation on synthetic benchmarks and OTA captures, the results demonstrate that the system outperforms state-of-the-art baselines like YOLOv8n and CRNN, offering superior accuracy under severe interference. Additionally, deployment on embedded hardware (Raspberry Pi 5 and NVIDIA Jetson) confirms the system’s viability for real-time monitoring, achieving an optimal balance between accuracy, latency, and power efficiency for cognitive radio applications.
Descripción
ilustraciones, graficas, tablas
Términos Normalizados
620 - Ingeniería y operaciones afines::621 - Física aplicada; 000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computación; Inteligencia artificial; Artificial intelligence; Red de telecomunicaciones; Telecommunications networks; Informática; Computer science