論文の概要: The Development of Spatial Attention U-Net for The Recovery of Ionospheric Measurements and The Extraction of Ionospheric Parameters

• arxiv url: http://arxiv.org/abs/2209.07581v1
• Date: Thu, 15 Sep 2022 19:32:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-19 13:42:24.239030
• Title: The Development of Spatial Attention U-Net for The Recovery of Ionospheric Measurements and The Extraction of Ionospheric Parameters
• Title（参考訳）: 電離圏計測の回収と電離圏パラメータ抽出のための空間的注意U-Netの開発
• Authors: Guan-Han Huang, Alexei V. Dmitriev, Chia-Hsien Lin, Yu-Chi Chang, Mon-Chai Hsieh, Enkhtuya Tsogtbaatar, Merlin M. Mendoza, Hao-Wei Hsu, Yu-Chiang Lin, Lung-Chih Tsai, Yung-Hui Li
• Abstract要約: 我々は、ノイズの多い電離図データから有用な電離球信号を復元するために、深層学習人工ニューラルネットワークモデル、空間注意U-Netを訓練する。 以上の結果から,F2層と異常モード(F2o,F2x)とE層(通常モード,異常モード,散発モード)の複合信号の同定が可能であることが示唆された。 また、ラベル付けされていない信号も識別できる。
• 参考スコア（独自算出の注目度）: 1.1036657485862058
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We train a deep learning artificial neural network model, Spatial Attention U-Net to recover useful ionospheric signals from noisy ionogram data measured by Hualien's Vertical Incidence Pulsed Ionospheric Radar. Our results show that the model can well identify F2 layer ordinary and extraordinary modes (F2o, F2x) and the combined signals of the E layer (ordinary and extraordinary modes and sporadic Es). The model is also capable of identifying some signals that were not labeled. The performance of the model can be significantly degraded by insufficient number of samples in the data set. From the recovered signals, we determine the critical frequencies of F2o and F2x and the intersection frequency between the two signals. The difference between the two critical frequencies is peaking at 0.63 MHz, with the uncertainty being 0.18 MHz.
• Abstract（参考訳）: 深層学習型ニューラルネットワークモデルであるspatial attention u-netを訓練し,hualienの垂直入射パルス電離層レーダで測定したノイズイオノグラムデータから有用な電離層信号を復元する。 以上の結果から,本モデルでは,通常のF2層と異常モード(F2o,F2x)とE層の信号(通常モード,異常モード,散発Es)をよく識別できることがわかった。 このモデルはラベルが付けられていない信号も識別することができる。 モデルの性能は、データセット内のサンプル数が不足することで著しく低下する可能性がある。 得られた信号からF2oとF2xの臨界周波数と2つの信号間の交差周波数を決定する。 2つの臨界周波数の差は0.63MHzであり、不確実性は0.18MHzである。

関連論文リスト

• Dual-Frequency Filtering Self-aware Graph Neural Networks for Homophilic and Heterophilic Graphs [60.82508765185161]
  我々は、Dual-Frequency Filtering Self-Aware Graph Neural Networks (DFGNN)を提案する。 DFGNNは低域通過フィルタと高域通過フィルタを統合し、滑らかで詳細な位相的特徴を抽出する。 フィルター比を動的に調整し、ホモフィルグラフとヘテロフィルグラフの両方に対応する。
  論文  参考訳（メタデータ） (2024-11-18T04:57:05Z)
• RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
  本稿では、新しいデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。 まず、干渉除去アルゴリズムの開発と解析の基礎となる洞察に富んだ信号モデルを提案する。 第2に,さまざまなRF信号とコードテンプレートを備えた公開データセットであるRF Challengeを紹介する。 第3に,UNetやWaveNetなどのアーキテクチャにおいて,新しいAIに基づく拒絶アルゴリズムを提案し,その性能を8種類の信号混合タイプで評価する。
  論文  参考訳（メタデータ） (2024-09-13T13:53:41Z)
• Spatial-Frequency U-Net for Denoising Diffusion Probabilistic Models [89.76587063609806]
  画素空間の代わりにウェーブレット空間における拡散確率モデル(DDPM)を視覚合成のために検討した。 ウェーブレット信号を明示的にモデル化することで、我々のモデルは複数のデータセット上でより高品質な画像を生成することができる。
  論文  参考訳（メタデータ） (2023-07-27T06:53:16Z)
• FIS-ONE: Floor Identification System with One Label for Crowdsourced RF Signals [14.534245590261763]
  FIS-ONEは、ラベル付きサンプルが1つしかない新しいフロア識別システムである。 まず、RF信号のサンプルをモデル化し、各ノードの潜在表現を得る。 そして、アクセスポイントからの信号が異なるフロアで検出可能であるという観察を活用することにより、クラスタを適切なフロアラベルでインデックス化する問題に取り組む。
  論文  参考訳（メタデータ） (2023-07-12T04:43:59Z)
• MultiWave: Multiresolution Deep Architectures through Wavelet Decomposition for Multivariate Time Series Prediction [6.980076213134384]
  MultiWaveは、信号の固有周波数で動作するコンポーネントを組み込むことで、ディープラーニング時系列モデルを強化する新しいフレームワークである。 我々は、MultiWaveが重要な特徴とその周波数成分を一貫して識別し、研究対象のアプリケーションに対する貴重な洞察を提供することを示す。
  論文  参考訳（メタデータ） (2023-06-16T20:07:15Z)
• Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
  航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。 本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。 シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
  論文  参考訳（メタデータ） (2023-05-17T09:37:07Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• RF Signal Classification with Synthetic Training Data and its Real-World Performance [0.0]
  本稿では,実環境における実環境性能に対する合成訓練データにモデル化された異なるRF信号障害の影響について検討する。 念入りに設計された合成トレーニングデータのみを使用することで、実世界の操作において最大95%の精度を達成できる。
  論文  参考訳（メタデータ） (2022-06-26T20:47:33Z)
• Open-set Classification of Common Waveforms Using A Deep Feed-forward Network and Binary Isolation Forest Models [13.078132799573705]
  受信信号の分類には深層パーセプトロンアーキテクチャを用いる。 システムは、0dB以上のSNRで98%の精度で、オープンセットモードで正しく分類することができる。
  論文  参考訳（メタデータ） (2021-10-01T08:15:26Z)
• FMNet: Latent Feature-wise Mapping Network for Cleaning up Noisy Micro-Doppler Spectrogram [2.9849405664643585]
  ノイズの多い環境は、マイクロドップラー分光器の解釈不能な動きパターンを引き起こす。 レーダーの帰還は しばしば マルチパス 乱雑 干渉に悩まされる 本稿では,FMNet (Feature Mapping Network) と呼ばれる潜在機能対応マッピング手法を提案する。
  論文  参考訳（メタデータ） (2021-07-09T19:20:41Z)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)

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。