論文の概要: Quantized Radio Map Estimation Using Tensor and Deep Generative Models

• arxiv url: http://arxiv.org/abs/2303.01770v1
• Date: Fri, 3 Mar 2023 08:22:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-06 15:52:30.729907
• Title: Quantized Radio Map Estimation Using Tensor and Deep Generative Models
• Title（参考訳）: テンソルと深部生成モデルを用いた量子ラジオマップ推定
• Authors: Subash Timilsina, Sagar Shrestha, Xiao Fu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 11.040605401578679
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spectrum cartography (SC), also known as radio map estimation (RME), aims at crafting multi-domain (e.g., frequency and space) radio power propagation maps from limited sensor measurements. While early methods often lacked theoretical support, recent works have demonstrated that radio maps can be provably recovered using low-dimensional models -- such as the block-term tensor decomposition (BTD) model and certain deep generative models (DGMs) -- of the high-dimensional multi-domain radio signals. However, these existing provable SC approaches assume that sensors send real-valued (full-resolution) measurements to the fusion center, which is unrealistic. This work puts forth a quantized SC framework that generalizes the BTD and DGM-based SC to scenarios where heavily quantized sensor measurements are used. A maximum likelihood estimation (MLE)-based SC framework under a Gaussian quantizer is proposed. Recoverability of the radio map using the MLE criterion are characterized under realistic conditions, e.g., imperfect radio map modeling and noisy measurements. Simulations and real-data experiments are used to showcase the effectiveness of the proposed approach.
• Abstract（参考訳）: スペクトル地図 (SC) は、無線地図推定 (RME) としても知られ、限られたセンサ測定から複数の領域(周波数と空間)の電波パワー伝搬マップを作成することを目的としている。 初期の手法は理論的な支援を欠いていたが、最近の研究は、高次元のマルチドメイン無線信号のブロック終端テンソル分解(BTD)モデルや特定の深部生成モデル(DGM)など、低次元のモデルを用いて、無線マップを確実に復元できることを示した。 しかし、これらの既存の証明可能なSCアプローチは、センサーが実測値(フルレゾリューション)を核融合中心に送ると仮定している。 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。 gaussian quantizer による最大度推定(mle)に基づくscフレームワークを提案する。 MLE基準を用いた無線地図の復元性は、例えば不完全な無線地図モデリングやノイズ測定のような現実的な条件下で特徴付けられる。 提案手法の有効性を示すためにシミュレーションと実データ実験が用いられる。

関連論文リスト

• MRI Parameter Mapping via Gaussian Mixture VAE: Breaking the Assumption of Independent Pixels [3.720246718519987]
  我々はMRIにおける定量的パラメータマッピングの新しいパラダイムを導入し、実証する。 独立画素の仮定を破る自己教師型深部変分法を提案する。 そこで本手法は,dMRIやqMRIなどのパラメータマッピング手法の臨床応用を支援することができる。
  論文  参考訳（メタデータ） (2024-11-16T11:11:36Z)
• Spatial Transformers for Radio Map Estimation [5.070926365672912]
  ラジオマップ推定(RME)は、受信した信号強度などの測定値を計測されていない場所で予測する。 現在最も人気のある推定器は、測定位置を通常の格子に投影し、畳み込み型ディープニューラルネットワークで測定テンソルを完了している。 本論文の最初のコントリビューションは,ラジオマップ推定のための空間トランスフォーマー (Spatial TransfOrmer) と呼ばれる注意に基づく推定器を用いて,これらの制約に対処するものである(ストーム)。 ストームは1つのレイトレーシングと2つの実測データセットによる実験によって広範囲に検証されている。
  論文  参考訳（メタデータ） (2024-11-02T11:04:45Z)
• Fast and Accurate Cooperative Radio Map Estimation Enabled by GAN [63.90647197249949]
  6G時代には、無線リソースのリアルタイムモニタリングと管理が、多様な無線アプリケーションをサポートするように求められている。 本稿では,GAN(Generative Adversarial Network)による協調的無線地図推定手法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T05:01:28Z)
• ACT-GAN: Radio map construction based on generative adversarial networks with ACT blocks [0.5694070924765915]
  本稿では,GAN(Generative Adversarial Network)に基づく新しい無線地図構築手法を提案する。 ラジオ地図の再現精度と局部テクスチャを大幅に向上させる。 提案手法はロバストな電波地図の構築であり,放射源の位置を正確に予測する。
  論文  参考訳（メタデータ） (2024-01-17T05:03:53Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• Quantum state tomography with tensor train cross approximation [84.59270977313619]
  測定条件が最小限であるような状態に対して、完全な量子状態トモグラフィが実行可能であることを示す。 本手法は,非構造状態と局所測定のための最もよく知られたトモグラフィー法よりも指数関数的に少ない状態コピーを必要とする。
  論文  参考訳（メタデータ） (2022-07-13T17:56:28Z)
• Riemannian Score-Based Generative Modeling [56.20669989459281]
  経験的性能を示すスコアベース生成モデル(SGM)を紹介する。 現在のSGMは、そのデータが平坦な幾何学を持つユークリッド多様体上で支えられているという前提を定めている。 これにより、ロボット工学、地球科学、タンパク質モデリングの応用にこれらのモデルを使用することができない。
  論文  参考訳（メタデータ） (2022-02-06T11:57:39Z)
• 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)
• Deep Spectrum Cartography: Completing Radio Map Tensors Using Learned Neural Models [44.609368050610044]
  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。
  論文  参考訳（メタデータ） (2021-05-01T07:04:09Z)

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。