論文の概要: RADIANCE: Radio-Frequency Adversarial Deep-learning Inference for
Automated Network Coverage Estimation
- arxiv url: http://arxiv.org/abs/2308.10584v1
- Date: Mon, 21 Aug 2023 09:33:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 14:20:18.821545
- Title: RADIANCE: Radio-Frequency Adversarial Deep-learning Inference for
Automated Network Coverage Estimation
- Title（参考訳）: RADIANCE: 無線周波数適応型ディープラーニングによるネットワーク被覆自動推定
- Authors: Sopan Sarkar, Mohammad Hossein Manshaei, and Marwan Krunz
- Abstract要約: RADIANCEは、室内シナリオでRFマップを合成するためのGAN(Generative Adversarial Network)ベースのアプローチである。
その結果、RADIANCEは平均平均誤差0.09、ルート平均二乗誤差(RMSE)0.29、ピーク信号-雑音比(PSNR)10.78、マルチスケール構造類似度指数(MS-SSIM)0.80を達成した。
- 参考スコア（独自算出の注目度）: 8.92389724627982
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Radio-frequency coverage maps (RF maps) are extensively utilized in wireless
networks for capacity planning, placement of access points and base stations,
localization, and coverage estimation. Conducting site surveys to obtain RF
maps is labor-intensive and sometimes not feasible. In this paper, we propose
radio-frequency adversarial deep-learning inference for automated network
coverage estimation (RADIANCE), a generative adversarial network (GAN) based
approach for synthesizing RF maps in indoor scenarios. RADIANCE utilizes a
semantic map, a high-level representation of the indoor environment to encode
spatial relationships and attributes of objects within the environment and
guide the RF map generation process. We introduce a new gradient-based loss
function that computes the magnitude and direction of change in received signal
strength (RSS) values from a point within the environment. RADIANCE
incorporates this loss function along with the antenna pattern to capture
signal propagation within a given indoor configuration and generate new
patterns under new configuration, antenna (beam) pattern, and center frequency.
Extensive simulations are conducted to compare RADIANCE with ray-tracing
simulations of RF maps. Our results show that RADIANCE achieves a mean average
error (MAE) of 0.09, root-mean-squared error (RMSE) of 0.29, peak
signal-to-noise ratio (PSNR) of 10.78, and multi-scale structural similarity
index (MS-SSIM) of 0.80.
- Abstract（参考訳）: 無線周波数カバレッジマップ(rfマップ)は、無線ネットワークにおいて容量計画、アクセスポイントと基地局の配置、ローカライゼーション、カバレッジ推定に広く利用されている。
RFマップ取得のための現場調査は、労働集約的であり、時には実現不可能である。
本稿では,自動ネットワークカバレッジ推定(RADIANCE, Generative Adversarial Network, GAN)に基づく屋内シナリオにおけるRFマップの合成手法を提案する。
RADIANCEは、室内環境の高レベルな表現であるセマンティックマップを使用して、環境内のオブジェクトの空間的関係と属性を符号化し、RFマップ生成プロセスを導く。
本稿では,環境内の一点から受信信号強度(rss)値の変化の大きさと方向を計算する新しい勾配に基づく損失関数を提案する。
RADIANCEはこの損失関数をアンテナパターンと共に組み込んで、所定の屋内構成内で信号の伝搬を捕捉し、新しい構成、アンテナ(ビーム)パターン、中心周波数の下で新しいパターンを生成する。
RFマップのレイトレーシングシミュレーションとRADIANCEを比較するために, 大規模シミュレーションを行った。
その結果、RADIANCEは平均平均誤差0.09、ルート平均二乗誤差(RMSE)0.29、ピーク信号-雑音比(PSNR)10.78、マルチスケール構造類似度指数(MS-SSIM)0.80を達成した。
関連論文リスト
- RadioGAT: A Joint Model-based and Data-driven Framework for Multi-band Radiomap Reconstruction via Graph Attention Networks [36.8227064106456]
マルチバンド無線マップ再構成(MB-RMR)は、スペクトル管理やネットワーク計画といったタスクのための無線通信において重要な要素である。
シミュレーションデータに大きく依存する従来の機械学習ベースのMB-RMRメソッドは、重要なデプロイメント課題に直面している。
本研究では,単一領域におけるMB-RMRに適したグラフ注意ネットワーク(GAT)に基づく新しいフレームワークであるRadioGATを提案する。
論文 参考訳（メタデータ） (2024-03-25T03:23:10Z) - 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) - Data-Driven Target Localization Using Adaptive Radar Processing and Convolutional Neural Networks [18.50309014013637]
本稿では,アダプティブレーダ検出後のレーダターゲット位置推定を改善するためのデータ駆動方式を提案する。
我々は、正規化適応整合フィルタ(NAMF)のレーダリターン、範囲、方位(およびドップラー)から熱マップテンソルを生成する。
次に、これらの熱マップテンソルからターゲット位置を推定するために回帰畳み込みニューラルネットワーク(CNN)を訓練する。
論文 参考訳（メタデータ） (2022-09-07T02:23:40Z) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳（メタデータ） (2022-05-22T12:16:43Z) - Toward Data-Driven STAP Radar [23.333816677794115]
我々は、時空間適応処理(STAP)レーダーに対するデータ駆動アプローチを特徴付ける。
所定領域に可変強度のターゲットをランダムに配置することにより、受信レーダ信号の豊富なサンプルデータセットを生成する。
この領域内の各データサンプルに対して、ビームフォーマの出力パワーのレンジ、方位、および上昇のヒートマップテンソルを生成する。
空中に浮かぶシナリオでは、動くレーダーは、ビデオに似た、これらのタイムインデクシングされたイメージスタックのシーケンスを生成する。
論文 参考訳（メタデータ） (2022-01-26T02:28:13Z) - 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) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳（メタデータ） (2020-11-17T12:52:18Z) - A Compressive Sensing Approach for Federated Learning over Massive MIMO
Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。
本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文 参考訳（メタデータ） (2020-03-18T05:56:27Z)
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。