論文の概要: A Comprehensive Survey of Machine Learning Applied to Radar Signal Processing

• arxiv url: http://arxiv.org/abs/2009.13702v1
• Date: Tue, 29 Sep 2020 00:30:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 07:13:12.409111
• Title: A Comprehensive Survey of Machine Learning Applied to Radar Signal Processing
• Title（参考訳）: レーダ信号処理への機械学習の適用に関する総合的調査
• Authors: Ping Lang, Xiongjun Fu, Marco Martorella, Jian Dong, Rui Qin, Xianpeng Meng and Min Xie
• Abstract要約: 現代のレーダーシステムには、精度、堅牢性、リアルタイム能力の面で高い要求がある。 従来のレーダー信号処理(RSP)手法は、そのような要求を満たす際にいくつかの制限を示してきた。 機械学習(ML)の急速な発展、特にディープラーニングにより、レーダー研究者はRSP関連の問題を解決する際にこれらの新しい手法を統合するようになった。
• 参考スコア（独自算出の注目度）: 7.758302353877527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern radar systems have high requirements in terms of accuracy, robustness and real-time capability when operating on increasingly complex electromagnetic environments. Traditional radar signal processing (RSP) methods have shown some limitations when meeting such requirements, particularly in matters of target classification. With the rapid development of machine learning (ML), especially deep learning, radar researchers have started integrating these new methods when solving RSP-related problems. This paper aims at helping researchers and practitioners to better understand the application of ML techniques to RSP-related problems by providing a comprehensive, structured and reasoned literature overview of ML-based RSP techniques. This work is amply introduced by providing general elements of ML-based RSP and by stating the motivations behind them. The main applications of ML-based RSP are then analysed and structured based on the application field. This paper then concludes with a series of open questions and proposed research directions, in order to indicate current gaps and potential future solutions and trends.
• Abstract（参考訳）: 現代のレーダーシステムは、ますます複雑な電磁環境を操作する際に、精度、堅牢性、リアルタイム能力の点で高い要求がある。 従来のレーダ信号処理(rsp)法は、特にターゲット分類に関して、そのような要件を満たす際の制限を示している。 機械学習(ML)の急速な発展、特にディープラーニングにより、レーダー研究者はRSP関連の問題を解決する際にこれらの新しい手法を統合するようになった。 本稿では、研究者や実践者が、MLベースのRSP技術の概要を包括的かつ構造化し、推論した文献概要を提供することで、RSP関連の問題へのML技術の適用をよりよく理解することを目的とする。 この作業は、MLベースのRSPの一般的な要素を提供し、それらの背後にあるモチベーションを述べることによって、十分に導入されます。 MLベースのRSPの主なアプリケーションは、アプリケーションフィールドに基づいて分析され、構造化される。 そこで本稿では,現在のギャップと今後の解決策と動向を示すために,一連のオープンな質問と研究の方向性を提案する。

関連論文リスト

• A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
  大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。 Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。 RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
  論文  参考訳（メタデータ） (2024-05-10T02:48:45Z)
• Machine Learning in Short-Reach Optical Systems: A Comprehensive Survey [2.425630641479336]
  本稿では,短距離通信における機械学習技術の応用について概説する。 本稿では,機械学習信号処理における時系列手法の新しい分類法を提案する。 我々は,短時間の光通信システムにおいて,より実用的で効率的な機械学習アプローチの展開の道を開くことを目的としている。
  論文  参考訳（メタデータ） (2024-05-02T16:04:30Z)
• Flexible Payload Configuration for Satellites using Machine Learning [33.269035910233704]
  現在のGEOシステムは、周波数使用率の少ないマルチビームフットプリントを用いて、ビームに電力と帯域幅を均一に分散している。 近年の研究では、不均一な交通シナリオにおけるこのアプローチの限界が明らかにされており、非効率性につながっている。 本稿では、無線リソース管理(RRM)に対する機械学習(ML)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2023-10-18T13:45:17Z)
• Large Language Models for Information Retrieval: A Survey [58.30439850203101]
  情報検索は、項ベースの手法から高度なニューラルモデルとの統合へと進化してきた。 近年の研究では、大規模言語モデル(LLM)を活用してIRシステムの改善が試みられている。 LLMとIRシステムの合流点を探索し、クエリリライト、リトリバー、リランカー、リーダーといった重要な側面を含む。
  論文  参考訳（メタデータ） (2023-08-14T12:47:22Z)
• Synergistic Interplay between Search and Large Language Models for Information Retrieval [141.18083677333848]
  InteRにより、RMはLLM生成した知識コレクションを使用してクエリの知識を拡張することができる。 InteRは、最先端手法と比較して総合的に優れたゼロショット検索性能を実現する。
  論文  参考訳（メタデータ） (2023-05-12T11:58:15Z)
• ASR: Attention-alike Structural Re-parameterization [53.019657810468026]
  本稿では,アテンション機構の有効性を享受しながら,与えられたネットワークに対してSRPを実現するための,シンプルなアテンション型構造的再パラメータ化(ASR)を提案する。 本稿では,統計的観点から広範囲にわたる実験を行い,Stripe Observationという興味深い現象を発見し,チャネル注意値が訓練中に一定のベクトルに素早く接近することを明らかにする。
  論文  参考訳（メタデータ） (2023-04-13T08:52:34Z)
• Retrieval-Enhanced Machine Learning [110.5237983180089]
  本稿では,いくつかの既存モデルを含む汎用的な検索強化機械学習フレームワークについて述べる。 REMLは情報検索の慣例に挑戦し、最適化を含む中核領域における新たな進歩の機会を提示している。 REMLリサーチアジェンダは、情報アクセス研究の新しいスタイルの基礎を築き、機械学習と人工知能の進歩への道を開く。
  論文  参考訳（メタデータ） (2022-05-02T21:42:45Z)
• Deep Learning Methods for Abstract Visual Reasoning: A Survey on Raven's Progressive Matrices [0.0]
  私たちは最も一般的なタスクタイプであるRavenのプログレッシブマトリックス(RPM)に注目し、RPMを解決するために適用される学習方法とディープニューラルネットワークのレビューを提供します。 本稿は,RPM研究の発見から実世界の問題がいかに恩恵を受けるかを示すことによって,論文を締めくくっている。
  論文  参考訳（メタデータ） (2022-01-28T19:24:30Z)
• Analytics and Machine Learning in Vehicle Routing Research [8.524039202121974]
  車両問題ルーティング(VRP)は、最も集中的に研究された最適化問題の1つです。 現実世界のVRPアプリケーションにまつわる複雑さや不確実性、ダイナミクスに対処するために、機械学習(ML)手法が使われている。 本稿では,VRP問題に対処する上で,解析手法とMLツールを組み合わせたハイブリッド手法の総合的なレビューを行う。
  論文  参考訳（メタデータ） (2021-02-19T16:26:17Z)
• A Comprehensive Survey of Machine Learning Based Localization with Wireless Signals [42.89359907212791]
  本稿では,RF信号を用いた機械学習に基づくローカライズソリューションの包括的調査を行う。 本論文の主なポイントは、ローカリゼーションシステムの物理から生じるドメイン知識と、さまざまなMLアプローチとの相互作用である。 詳細な議論は、ローカリゼーションの問題に適用されたさまざまなMLメソッドに捧げられています。
  論文  参考訳（メタデータ） (2020-12-21T08:10:46Z)
• Wireless for Machine Learning [91.13476340719087]
  我々は、分散データセット上で機械学習サービスをサポートするように設計された最先端のワイヤレス手法について、徹底的にレビューする。 文献にはアナログ・オーバー・ザ・エア計算とMLに最適化されたデジタル無線リソース管理という2つの明確なテーマがある。 このサーベイは、これらのメソッドを包括的に紹介し、最も重要な研究をレビューし、オープンな問題を強調し、アプリケーションのシナリオについて議論する。
  論文  参考訳（メタデータ） (2020-08-31T11:09:49Z)

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。