論文の概要: Site-specific Deep Learning Path Loss Models based on the Method of Moments

• arxiv url: http://arxiv.org/abs/2302.01052v1
• Date: Thu, 2 Feb 2023 12:29:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-03 14:00:52.807800
• Title: Site-specific Deep Learning Path Loss Models based on the Method of Moments
• Title（参考訳）: モーメント法によるサイト固有の深層学習パス損失モデル
• Authors: Conor Brennan and Kevin McGuinness
• Abstract要約: 本稿では,農村部におけるEM波伝搬予測問題に応用した深層学習モデルについて述べる。 表面積分方程式の定式化を用いて、ランダムに生成された1次元地形プロファイル上で計算された経路損失を含む合成トレーニングデータを生成する。 これらのモデルは、トレーニングデータを作成するのと同じ統計プロセスを用いて生成されたテストプロファイルに適用した場合に優れた一致を示し、実生活問題に適用する場合に非常に優れた精度を示す。
• 参考スコア（独自算出の注目度）: 7.894490919875104
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper describes deep learning models based on convolutional neural networks applied to the problem of predicting EM wave propagation over rural terrain. A surface integral equation formulation, solved with the method of moments and accelerated using the Fast Far Field approximation, is used to generate synthetic training data which comprises path loss computed over randomly generated 1D terrain profiles. These are used to train two networks, one based on fractal profiles and one based on profiles generated using a Gaussian process. The models show excellent agreement when applied to test profiles generated using the same statistical process used to create the training data and very good accuracy when applied to real life problems.
• Abstract（参考訳）: 本稿では, 畳み込みニューラルネットワークに基づく深層学習モデルについて, 農村部におけるem波伝播予測問題に適用する。 ファストファーフィールド近似を用いてモーメント法を用いて解く表面積分方程式の定式化を用いて、ランダムに生成された1次元地形プロファイル上で計算された経路損失を含む合成トレーニングデータを生成する。 これらは2つのネットワークをトレーニングするために使用され、1つはフラクタルプロファイルに基づいており、もう1つはガウス過程を用いて生成されたプロファイルに基づいている。 これらのモデルは、トレーニングデータを作成するのと同じ統計プロセスを用いて生成されたテストプロファイルに適用した場合に優れた一致を示し、実生活問題に適用する場合に非常に優れた精度を示す。

関連論文リスト

• A variational neural Bayes framework for inference on intractable posterior distributions [1.0801976288811024]
  トレーニングされたニューラルネットワークに観測データを供給することにより、モデルパラメータの後方分布を効率的に取得する。 理論的には、我々の後部はKulback-Leiblerの発散において真の後部に収束することを示す。
  論文  参考訳（メタデータ） (2024-04-16T20:40:15Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• An unfolding method based on conditional Invertible Neural Networks (cINN) using iterative training [0.0]
  非可逆ニューラルネットワーク(INN)のような生成ネットワークは確率的展開を可能にする。 模擬トレーニングサンプルとデータ間のずれを調整した展開のための反復条件INN(IcINN)を導入する。
  論文  参考訳（メタデータ） (2022-12-16T19:00:05Z)
• Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
  我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。 シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。 本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
  論文  参考訳（メタデータ） (2022-11-24T07:30:27Z)
• Probabilistic Registration for Gaussian Process 3D shape modelling in the presence of extensive missing data [63.8376359764052]
  本稿では,ガウス過程の定式化に基づく形状適合/登録手法を提案する。 様々な変換を持つ2次元の小さなデータセットと耳の3次元データセットの両方で実験が行われる。
  論文  参考訳（メタデータ） (2022-03-26T16:48:27Z)
• Amortised inference of fractional Brownian motion with linear computational complexity [0.0]
  ランダムウォークのパラメータを推定するために,シミュレーションベースで償却されたベイズ推定手法を提案する。 提案手法は歩行パラメータの後方分布を確率自由な方法で学習する。 この手法を適用して、環境中の有限デコリレーション時間をさらに個々の軌道から推定できることを示す。
  論文  参考訳（メタデータ） (2022-03-15T14:43:16Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Local approximate Gaussian process regression for data-driven constitutive laws: Development and comparison with neural networks [0.0]
  局所近似過程回帰を用いて特定のひずみ空間における応力出力を予測する方法を示す。 FE設定におけるグローバル構造問題を解決する場合のlaGPR近似の局所的性質に適応するために、修正されたニュートン・ラフソン手法が提案される。
  論文  参考訳（メタデータ） (2021-05-07T14:49:28Z)
• A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
  モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。 線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。 以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
  論文  参考訳（メタデータ） (2020-10-27T17:56:14Z)
• Efficient planning of peen-forming patterns via artificial neural networks [0.0]
  ニューラルネットワーク(NN)は、所定の対象形状(入力)とその最適ピーニングパターン(出力)に関連する非線形関数を学習する トレーニングされたNNは、平均2進法精度が98.8%のパターンをマイクロ秒で生成する。
  論文  参考訳（メタデータ） (2020-08-18T17:17:46Z)
• Real-Time Regression with Dividing Local Gaussian Processes [62.01822866877782]
  局所ガウス過程は、ガウス過程の回帰に基づく新しい、計算効率の良いモデリング手法である。 入力空間の反復的データ駆動分割により、実際にはトレーニングポイントの総数において、サブ線形計算複雑性が達成される。 実世界のデータセットに対する数値的な評価は、予測と更新の速度だけでなく、精度の点で他の最先端手法よりも有利であることを示している。
  論文  参考訳（メタデータ） (2020-06-16T18:43:31Z)

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。