論文の概要: Deep Spectrum Cartography: Completing Radio Map Tensors Using Learned Neural Models

• arxiv url: http://arxiv.org/abs/2105.00177v1
• Date: Sat, 1 May 2021 07:04:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-04 13:45:51.478175
• Title: Deep Spectrum Cartography: Completing Radio Map Tensors Using Learned Neural Models
• Title（参考訳）: deep spectrum cartography: 学習ニューラルモデルを用いたラジオマップテンソルの完成
• Authors: Sagar Shrestha, Xiao Fu and Mingyi Hong
• Abstract要約: ディープニューラルネットワーク(DNN)は、データから基盤構造を“学習”することができる。 本研究では,エミッタラジオマップの解離に基づくアプローチを提案する。
• 参考スコア（独自算出の注目度）: 44.609368050610044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The spectrum cartography (SC) technique constructs multi-domain (e.g., frequency, space, and time) radio frequency (RF) maps from limited measurements, which can be viewed as an ill-posed tensor completion problem. Model-based cartography techniques often rely on handcrafted priors (e.g., sparsity, smoothness and low-rank structures) for the completion task. Such priors may be inadequate to capture the essence of complex wireless environments -- especially when severe shadowing happens. To circumvent such challenges, offline-trained deep neural models of radio maps were considered for SC, as deep neural networks (DNNs) are able to "learn" intricate underlying structures from data. However, such deep learning (DL)-based SC approaches encounter serious challenges in both off-line model learning (training) and completion (generalization), possibly because the latent state space for generating the radio maps is prohibitively large. In this work, an emitter radio map disaggregation-based approach is proposed, under which only individual emitters' radio maps are modeled by DNNs. This way, the learning and generalization challenges can both be substantially alleviated. Using the learned DNNs, a fast nonnegative matrix factorization-based two-stage SC method and a performance-enhanced iterative optimization algorithm are proposed. Theoretical aspects -- such as recoverability of the radio tensor, sample complexity, and noise robustness -- under the proposed framework are characterized, and such theoretical properties have been elusive in the context of DL-based radio tensor completion. Experiments using synthetic and real-data from indoor and heavily shadowed environments are employed to showcase the effectiveness of the proposed methods.
• Abstract（参考訳）: スペクトル地図法(SC)技術は、限られた測定値から多重領域(周波数、空間、時間)の無線周波数(RF)マップを構築し、不測のテンソル完備問題と見なすことができる。 モデルに基づく地図技術は、しばしば完了作業のために手作りの先行(例えば、疎さ、滑らかさ、低ランク構造)に依存する。 このような先入観は、複雑な無線環境の本質を捉えるには不十分かもしれない。 このような問題を回避するため、無線マップのオフライントレーニングされたディープニューラルネットワークは、データから基盤構造を“学習”できるため、SCでは考慮された。 しかし、このような深層学習(DL)ベースのSCアプローチは、オフラインモデル学習(トレーニング)と完了(一般化)の両方において深刻な課題に直面している。 本研究では,個々のエミッタの電波マップのみをdnnでモデル化するエミッタ電波マップ分離に基づくアプローチを提案する。 このように、学習と一般化の課題はどちらも実質的に緩和できる。 学習したdnnを用いて,高速非負行列分解に基づく2段階sc法と性能向上反復最適化アルゴリズムを提案する。 提案手法を用いて, ラジオテンソルの復元性, サンプル複雑性, ノイズロバスト性などの理論的側面を特徴付けるとともに, DLに基づくラジオテンソル完成の文脈において, 理論的特性が解明されている。 提案手法の有効性を示すために, 室内および濃密なシャドー環境からの合成および実データを用いた実験を行った。

関連論文リスト

• Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
  我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。 提案手法は, 監視対象の性能を超過する。
  論文  参考訳（メタデータ） (2024-03-25T17:40:32Z)
• Quantized Radio Map Estimation Using Tensor and Deep Generative Models [11.872336932802844]
  スペクトル地図(SC)は、センサの限られた測定値から複数の領域(周波数と空間)の電波伝搬マップを作成することを目的としている。 既存の実証可能なSCアプローチでは、センサーは実測値(フルレゾリューション)を核融合中心に送信するが、これは非現実的である。 この研究は、BTDとDGMベースのSCを、非常に量子化されたセンサー測定を使用するシナリオに一般化する量子化されたSCフレームワークを提示する。
  論文  参考訳（メタデータ） (2023-03-03T08:22:51Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• Navigating Local Minima in Quantized Spiking Neural Networks [3.1351527202068445]
  深層学習(DL)アルゴリズムの超効率的な実装においては,スパイキングと量子ニューラルネットワーク(NN)が極めて重要になっている。 これらのネットワークは、ハードしきい値を適用する際の勾配信号の欠如により、エラーのバックプロパゲーションを使用してトレーニングする際の課題に直面している。 本稿では,コサインアニールLRスケジュールと重み非依存適応モーメント推定を併用したシステム評価を行った。
  論文  参考訳（メタデータ） (2022-02-15T06:42:25Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• Higher-order Quasi-Monte Carlo Training of Deep Neural Networks [0.0]
  本稿では,DNN (Deep Neural Network) によるDtO (Data-to-Observable) マップのトレーニングに準モンテカルロ点を用いた新しいアルゴリズム手法と誤差解析を提案する。
  論文  参考訳（メタデータ） (2020-09-06T11:31:42Z)
• Beyond Dropout: Feature Map Distortion to Regularize Deep Neural Networks [107.77595511218429]
  本稿では,ディープニューラルネットワークの中間層に関連する実験的なRademacher複雑性について検討する。 上記の問題に対処するための特徴歪み法(Disout)を提案する。 より高い試験性能を有するディープニューラルネットワークを作製するための特徴写像歪みの優位性を解析し、実証した。
  論文  参考訳（メタデータ） (2020-02-23T13:59:13Z)

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。