論文の概要: Direct Localization in Underwater Acoustics via Convolutional Neural
Networks: A Data-Driven Approach
- arxiv url: http://arxiv.org/abs/2207.10222v1
- Date: Wed, 20 Jul 2022 22:40:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-22 13:47:47.045727
- Title: Direct Localization in Underwater Acoustics via Convolutional Neural
Networks: A Data-Driven Approach
- Title（参考訳）: 畳み込みニューラルネットワークによる水中音響の直接位置推定:データ駆動アプローチ
- Authors: Amir Weiss, Toros Arikan and Gregory W. Wornell
- Abstract要約: ダイレクトローカライゼーション(DLOC)法は、一般的に間接的な2段階法よりも優れている。
水中音響DLOC法は環境の事前の知識を必要とする。
そこで本研究では,データ駆動型DLOC法を提案する。
- 参考スコア（独自算出の注目度）: 31.399611901926583
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Direct localization (DLOC) methods, which use the observed data to localize a
source at an unknown position in a one-step procedure, generally outperform
their indirect two-step counterparts (e.g., using time-difference of arrivals).
However, underwater acoustic DLOC methods require prior knowledge of the
environment, and are computationally costly, hence slow. We propose, what is to
the best of our knowledge, the first data-driven DLOC method. Inspired by
classical and contemporary optimal model-based DLOC solutions, and leveraging
the capabilities of convolutional neural networks (CNNs), we devise a holistic
CNN-based solution. Our method includes a specifically-tailored input
structure, architecture, loss function, and a progressive training procedure,
which are of independent interest in the broader context of machine learning.
We demonstrate that our method outperforms attractive alternatives, and
asymptotically matches the performance of an oracle optimal model-based
solution.
- Abstract（参考訳）: 直接ローカライゼーション(DLOC)法は、観測データを用いて1ステップの手順でソースを未知の位置にローカライズするが、通常は間接的な2ステップ(例えば、到着の時間差)よりも優れている。
しかし、水中音響DLOC法は環境に関する事前の知識を必要とし、計算コストがかかるため遅い。
そこで本研究では,データ駆動型DLOC法を初めて提案する。
古典的かつ同時代の最適モデルベースDLOCソリューションにインスパイアされ、畳み込みニューラルネットワーク(CNN)の機能を活用して、全体論的CNNベースのソリューションを考案する。
提案手法は,機械学習のより広範な文脈において,個別に関心を抱く,特異的に調整された入力構造,アーキテクチャ,損失関数,プログレッシブトレーニング手順を含む。
我々は,本手法が魅力的な代替品よりも優れており,オラクル最適モデルベースソリューションの性能と漸近的に一致していることを示す。
関連論文リスト
- Recursive Gaussian Process State Space Model [4.572915072234487]
動作領域とGPハイパーパラメータの両方に適応可能な新しいオンラインGPSSM法を提案する。
ポイントを誘導するオンライン選択アルゴリズムは、情報的基準に基づいて開発され、軽量な学習を実現する。
合成データセットと実世界のデータセットの総合的な評価は,提案手法の精度,計算効率,適応性を示す。
論文 参考訳（メタデータ） (2024-11-22T02:22:59Z) - FedLALR: Client-Specific Adaptive Learning Rates Achieve Linear Speedup
for Non-IID Data [54.81695390763957]
フェデレートラーニング(Federated Learning)は、分散機械学習の手法である。
我々は,AMSGradの異種局所変種であるFedLALRを提案し,各クライアントが学習率を調整する。
クライアントが指定した自動調整型学習率スケジューリングが,クライアント数に対して収束し,線形高速化を実現することを示す。
論文 参考訳（メタデータ） (2023-09-18T12:35:05Z) - On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。
本稿では,密集市街地における局所化問題について検討する。
まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
論文 参考訳（メタデータ） (2022-11-28T00:31:02Z) - Exploiting Temporal Structures of Cyclostationary Signals for
Data-Driven Single-Channel Source Separation [98.95383921866096]
単一チャネルソース分離(SCSS)の問題点について検討する。
我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。
本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2022-08-22T14:04:56Z) - Visual-Language Navigation Pretraining via Prompt-based Environmental
Self-exploration [83.96729205383501]
本稿では,言語埋め込みの高速適応を実現するために,プロンプトベースの学習を導入する。
我々のモデルは、VLNやREVERIEを含む多様な視覚言語ナビゲーションタスクに適応することができる。
論文 参考訳（メタデータ） (2022-03-08T11:01:24Z) - A Near-Optimal Algorithm for Debiasing Trained Machine Learning Models [21.56208997475512]
我々は、深層ニューラルネットワーク(DNN)を含む訓練済みモデルのデバイアス化のためのスケーラブルな後処理アルゴリズムを提案する。
過剰なベイズリスクを限定することで、ほぼ最適であることを証明します。
標準ベンチマークデータセットでその利点を実証的に検証する。
論文 参考訳（メタデータ） (2021-06-06T09:45:37Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳（メタデータ） (2021-05-03T07:23:39Z) - Learning to Continuously Optimize Wireless Resource In Episodically
Dynamic Environment [55.91291559442884]
この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。
本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。
我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
論文 参考訳（メタデータ） (2020-11-16T08:24:34Z)
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。