論文の概要: Direction of Arrival Estimation for a Vector Sensor Using Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2004.05671v1
• Date: Sun, 12 Apr 2020 18:37:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-14 05:40:43.398470
• Title: Direction of Arrival Estimation for a Vector Sensor Using Deep Neural Networks
• Title（参考訳）: 深部ニューラルネットワークを用いたベクトルセンサの位置推定の方向
• Authors: Jianyuan Yu, William W. Howard, Daniel Tait and R. Michael Buehrer
• Abstract要約: 本稿では,音源数を決定するニューラルネットワークを提案し,各音源の到着角度を推定する。 その結果、特に視野が限られている場合、ニューラルネットワークは最大5つのソースで合理的に正確な推定が可能であることがわかった。
• 参考スコア（独自算出の注目度）: 9.183703456020536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A vector sensor, a type of sensor array with six collocated antennas to measure all electromagnetic field components of incident waves, has been shown to be advantageous in estimating the angle of arrival and polarization of the incident sources. While angle estimation with machine learning for linear arrays has been well studied, there has not been a similar solution for the vector sensor. In this paper, we propose neural networks to determine the number of the sources and estimate the angle of arrival of each source, based on the covariance matrix extracted from received data. Also, we provide a solution for matching output angles to corresponding sources and examine the error distributions with this method. The results show that neural networks can achieve reasonably accurate estimation with up to 5 sources, especially if the field-of-view is limited.
• Abstract（参考訳）: 入射波のすべての電磁界成分を測定するための6つの共役アンテナを備えたセンサアレイであるベクトルセンサは、入射源の到着角度と偏極を推定する上で有利であることが示されている。 線形配列のための機械学習による角度推定はよく研究されているが、ベクトルセンサにも同様の解はない。 本稿では、受信したデータから抽出した共分散行列に基づいて、ソース数を決定し、各ソースの到着角度を推定するニューラルネットワークを提案する。 また、出力角度を対応するソースに一致させるソリューションを提供し、この方法を用いて誤差分布を調べる。 その結果、特に視野が限られている場合、ニューラルネットワークは最大5つのソースで合理的に正確な推定が可能であることがわかった。

関連論文リスト

• 3D Detection and Characterisation of ALMA Sources through Deep Learning [0.0]
  本稿では,Atacama Large Millimeter/submillimeter Array (ALMA) データキューブ内の天文学的情報源の検出と評価を目的として,Deep-Learning (DL)パイプラインを提案する。 パイプラインは、統合データキューブの空間領域内でのソース検出のための畳み込みオートエンコーダ、周波数領域内での遅延検出とピーク検出のためのリカレントニューラルネットワーク(RNN)、ソースキャラクタリゼーションのためのResidual Neural Networks(ResNets)の6つのDLモデルで構成されている。
  論文  参考訳（メタデータ） (2022-11-21T13:50:35Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Window-Based Distribution Shift Detection for Deep Neural Networks [21.73028341299301]
  本研究では,データストリームを受信したディープニューラルネットワーク(DNN)の正常動作をモニタリングする場合について検討する。 選択的予測原理を用いて,DNNの分布偏差検出手法を提案する。 我々の新しい検出法は、最先端技術よりもかなり少ない時間を消費しながら、オンパー以上の性能を発揮する。
  論文  参考訳（メタデータ） (2022-10-19T21:27:25Z)
• Overhead-Free Blockage Detection and Precoding Through Physics-Based Graph Neural Networks: LIDAR Data Meets Ray Tracing [58.73924499067486]
  物理ベースグラフニューラルネットワーク(GNN)による光検出・測光(LIDAR)データの分類によりブロック検出を実現する プリコーダ設計には、LIDARデータから得られた3D面にレイトレーシングを行うことにより、予備チャネル推定を行う。 数値シミュレーションにより、ブロック検出は95%精度で成功していることが示された。
  論文  参考訳（メタデータ） (2022-09-15T15:04:55Z)
• Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
  事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。 ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
  論文  参考訳（メタデータ） (2022-01-20T06:36:35Z)
• Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic Uncertainty [58.144520501201995]
  ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。 注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。 また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
  論文  参考訳（メタデータ） (2021-10-12T22:04:19Z)
• From One to Many: A Deep Learning Coincident Gravitational-Wave Search [58.720142291102135]
  単一検出器からの非スピン型二元ブラックホールデータに基づいてトレーニングされたニューラルネットワークを用いて、二元ブラックホールの融合から重力波を2検出器で探索する。 これらの単純な2検出器ネットワークはいずれも、検出器のデータに個別にネットワークを適用するよりも感度を向上させることができない。
  論文  参考訳（メタデータ） (2021-08-24T13:25:02Z)
• Polarized skylight orientation determination artificial neural network [4.834173456342489]
  本稿では,偏光を用いた方向決定のためのニューラルネットワークを提案する。 ネットワークにおいて、偏光度(DOP)と偏光角度(AOP)を直接抽出する。
  論文  参考訳（メタデータ） (2021-07-06T00:19:22Z)
• Anomaly Detection in Image Datasets Using Convolutional Neural Networks, Center Loss, and Mahalanobis Distance [0.0]
  ユーザーアクティビティは、品質や無関係な画像やデータベクターのかなりの数を生成します。 ニューラルネットワークの場合、異常は通常分布外サンプルとして定義される。 本研究では,画像データセットにおける非分布サンプルの監督的および半監督的検出手法を提案する。
  論文  参考訳（メタデータ） (2021-04-13T13:44:03Z)
• Data-aided Sensing for Gaussian Process Regression in IoT Systems [48.523643863141466]
  我々は,インターネット・オブ・シングス・システムにおいて,センサから収集したデータセットの学習にデータアシストセンシングを用いる。 データ支援センシングによるガウス過程回帰の精度向上に寄与し,予測によるマルチチャネルALOHAの修正が有効であることを示す。
  論文  参考訳（メタデータ） (2020-11-23T20:59:51Z)
• Multiple Angles of Arrival Estimation using Neural Networks [2.233624388203003]
  本稿では,受信データから抽出した相関行列に基づいて,方位角と仰角を推定するニューラルネットワークを提案する。 その結果、ニューラルネットワークは低SNR下で正確な推定を達成でき、複数の信号に対処できることがわかった。
  論文  参考訳（メタデータ） (2020-02-03T02:37:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。