論文の概要: Antenna Near-Field Reconstruction from Far-Field Data Using Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2504.17065v1
- Date: Wed, 23 Apr 2025 19:23:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:53.153726
- Title: Antenna Near-Field Reconstruction from Far-Field Data Using Convolutional Neural Networks
- Title(参考訳): 畳み込みニューラルネットワークを用いた遠距離場データからのアンテナ近接場再構成
- Authors: Sahar Bagherkhani, Jackson Christopher Earls, Franco De Flaviis, Pierre Baldi,
- Abstract要約: 本稿では、畳み込みニューラルネットワーク(CNN)を用いたFar-Field to Near-Field(FF-NF)変換のためのディープラーニングに基づくアプローチを提案する。
CNNは、ペア化された遠距離および近距離のデータをトレーニングし、平均二乗誤差(MSE)を用いて評価する。
予測された近接場分布と真の近接場分布との視覚的比較は、複雑な電磁場挙動を捉える上でのモデルの有効性を示す。
- 参考スコア(独自算出の注目度): 4.974500659156055
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electromagnetic field reconstruction is crucial in many applications, including antenna diagnostics, electromagnetic interference analysis, and system modeling. This paper presents a deep learning-based approach for Far-Field to Near-Field (FF-NF) transformation using Convolutional Neural Networks (CNNs). The goal is to reconstruct near-field distributions from the far-field data of an antenna without relying on explicit analytical transformations. The CNNs are trained on paired far-field and near-field data and evaluated using mean squared error (MSE). The best model achieves a training error of 0.0199 and a test error of 0.3898. Moreover, visual comparisons between the predicted and true near-field distributions demonstrate the model's effectiveness in capturing complex electromagnetic field behavior, highlighting the potential of deep learning in electromagnetic field reconstruction.
- Abstract(参考訳): 電磁界再構成は、アンテナ診断、電磁干渉解析、システムモデリングなど、多くの応用において重要である。
本稿では、畳み込みニューラルネットワーク(CNN)を用いたFar-Field to Near-Field(FF-NF)変換のためのディープラーニングに基づくアプローチを提案する。
目的は、アンテナの遠方界データから、明示的な解析変換に頼ることなく、近接場分布を再構成することである。
CNNは、ペア化された遠距離および近距離データをトレーニングし、平均二乗誤差(MSE)を用いて評価する。
最良のモデルは、トレーニングエラー0.0199、テストエラー0.3898を達成する。
さらに、予測された近接場分布と真の近接場分布との視覚的比較は、複雑な電磁場挙動を捉えたモデルの有効性を示し、電磁場再構成における深層学習の可能性を強調している。
関連論文リスト
- Graph-CNNs for RF Imaging: Learning the Electric Field Integral Equations [20.07924835384647]
本稿では、対応する逆モデルを学ぶために、ディープニューラルネットワーク(DNN)アーキテクチャを提案する。
グラフアテンションバックボーンは、システムのジオメトリをDNNに渡すことができ、残余の畳み込み層がオブジェクトの特徴を抽出する。
異なる特徴を持つ2つの合成データセットに対する評価は、提案した高度なアーキテクチャの性能向上を示す。
論文 参考訳(メタデータ) (2025-03-18T17:16:40Z) - HARDCORE: H-field and power loss estimation for arbitrary waveforms with
residual, dilated convolutional neural networks in ferrite cores [1.3437002403398262]
MagNet Challenge 2023は、トロイダルフェライトコアにおける定常的な電力損失の物質特異的で波形に依存しない推定のためのデータ駆動モデルの開発を競合他社に呼びかけている。
HardCOREアプローチは、物理インフォームド拡張を持つ残差畳み込みニューラルネットワークが、事前に観測データに基づいてトレーニングされた場合、このタスクを効率的に行うことができることを示している。
モデルは各素材のスクラッチから訓練されるが、トポロジーは同じである。
論文 参考訳(メタデータ) (2024-01-21T13:24:41Z) - ProvNeRF: Modeling per Point Provenance in NeRFs as a Stochastic Field [52.09661042881063]
テキストフィールドとしてNeRFのbfprovenance(可視な位置)をモデル化する手法を提案する。
我々は、NeRF最適化におけるポイントごとの精度のモデリングにより、新しいビュー合成と不確実性推定の改善につながる情報により、モデルが強化されることを示す。
論文 参考訳(メタデータ) (2024-01-16T06:19:18Z) - Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。
本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。
エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。
さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文 参考訳(メタデータ) (2023-10-16T05:49:28Z) - ResFields: Residual Neural Fields for Spatiotemporal Signals [61.44420761752655]
ResFieldsは、複雑な時間的信号を効果的に表現するために設計された新しいネットワークのクラスである。
本稿では,ResFieldの特性を包括的に解析し,トレーニング可能なパラメータの数を減らすための行列分解手法を提案する。
スパースRGBDカメラからダイナミックな3Dシーンをキャプチャする効果を示すことで,ResFieldsの実用性を実証する。
論文 参考訳(メタデータ) (2023-09-06T16:59:36Z) - Spherical convolutional neural networks can improve brain microstructure
estimation from diffusion MRI data [0.35998666903987897]
拡散磁気共鳴イメージングは脳組織の微細構造に敏感である。
測定された信号から臨床および科学的に関係する微細構造特性を推定することは、機械学習が解決するのに役立つ非常に難しい逆問題である。
我々は、効率的にシミュレートされた雑音データから地中構造パラメータ値を予測するために、球面畳み込みニューラルネットワークを訓練した。
論文 参考訳(メタデータ) (2022-11-17T20:52:00Z) - Hybrid Far- and Near-Field Channel Estimation for THz Ultra-Massive MIMO
via Fixed Point Networks [15.498866529344275]
テラヘルツ超大容量多重出力(THz UM-MIMO)は6G無線システムのキーイネーブラーとして想定されている。
我々は適応的複雑性と線形収束保証を備えた効率的なディープラーニングに基づくチャネル推定器を開発した。
アルゴリズムの大きな革新は、任意の深さでニューラルネットワークをモデリングし、ハイブリッドフィールドのチャネル条件に適応しながら、チャネル推定を計算するために固定点を適用することである。
論文 参考訳(メタデータ) (2022-05-10T14:57:56Z) - Magnetic Field Prediction Using Generative Adversarial Networks [0.0]
生成逆数ネットワーク(GAN)構造を用いて,空間のランダムな点における磁場の値を予測する。
ディープラーニング(DL)アーキテクチャは、与えられた磁場の欠落した磁場値を予測するジェネレータと、実際の磁場分布と生成された磁場分布の間の統計的距離を計算するために訓練された批評家の2つのニューラルネットワークで構成される。
訓練されたジェネレータは、フィールドポイントの1つのコヒーレント領域が欠落している場合の5.14%、空間における数点測定しか得られていない場合の5.86%の中央値再構成テスト誤差で、フィールド値の欠落を予測できることを学習した。
論文 参考訳(メタデータ) (2022-03-14T12:31:54Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳(メタデータ) (2021-06-03T00:02:05Z) - Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。
このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。
このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
論文 参考訳(メタデータ) (2021-06-01T08:46:04Z) - A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。
断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。
ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文 参考訳(メタデータ) (2020-10-15T12:15:02Z)
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。