論文の概要: A Deep Learning Framework for Two-Dimensional, Multi-Frequency Propagation Factor Estimation

• arxiv url: http://arxiv.org/abs/2505.15802v1
• Date: Wed, 21 May 2025 17:56:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.819488
• Title: A Deep Learning Framework for Two-Dimensional, Multi-Frequency Propagation Factor Estimation
• Title（参考訳）: 二次元多周波伝搬係数推定のためのディープラーニングフレームワーク
• Authors: Sarah E. Wessinger, Leslie N. Smith, Jacob Gull, Jonathan Gehman, Zachary Beever, Andrew J. Kammerer,
• Abstract要約: このコミュニケーションは、パターン伝播係数を推定するためにディープニューラルネットワークを用いた新しいアプローチを探索する。 ディープニューラルネットワークは、複数の周波数を分析し、パターン伝播係数を合理的に予測するように訓練することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately estimating the refractive environment over multiple frequencies within the marine atmospheric boundary layer is crucial for the effective deployment of radar technologies. Traditional parabolic equation simulations, while effective, can be computationally expensive and time-intensive, limiting their practical application. This communication explores a novel approach using deep neural networks to estimate the pattern propagation factor, a critical parameter for characterizing environmental impacts on signal propagation. Image-to-image translation generators designed to ingest modified refractivity data and generate predictions of pattern propagation factors over the same domain were developed. Findings demonstrate that deep neural networks can be trained to analyze multiple frequencies and reasonably predict the pattern propagation factor, offering an alternative to traditional methods.
• Abstract（参考訳）: 海洋大気境界層内の複数の周波数の屈折環境を正確に推定することは、レーダー技術の効果的な展開に不可欠である。 伝統的な放物型方程式のシミュレーションは効果的であるが、計算に高価で時間集約的であり、実用的応用を制限できる。 このコミュニケーションは、信号伝達に対する環境の影響を特徴づける重要なパラメータであるパターン伝播係数を推定するために、ディープニューラルネットワークを用いた新しいアプローチを探索する。 補正された屈折率データを取り込み、同じ領域におけるパターン伝播係数の予測を生成するために設計された画像から画像への変換ジェネレータを開発した。 ディープニューラルネットワークは、複数の周波数を分析し、パターン伝播係数を合理的に予測し、従来の方法に代わる手段を提供することができる。

関連論文リスト

• Mapping The Layers of The Ocean Floor With a Convolutional Neural Network [0.0]
  既存の解法は、複雑で計算コストのかかる地震探査法や波動インバージョンを通したマッピングを含む。 海底から反射した地震写真に基づいて速度モデルを予測するための人工ニューラルネットワーク、特にUNetの導入は、このプロセスの最適化を約束している。
  論文  参考訳（メタデータ） (2024-12-04T15:26:48Z)
• Continuous Field Reconstruction from Sparse Observations with Implicit Neural Networks [11.139052252214917]
  この研究は、暗黙の神経表現を用いて物理場の連続的な表現を学ぶ新しいアプローチを示す。 実験により,提案手法は最近のINR法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-01-21T22:18:29Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• A stable deep adversarial learning approach for geological facies generation [32.97208255533144]
  深層生成学習は、従来の地形シミュレーションモデルの限界を克服するための有望なアプローチである。 本研究は, 地下ボリュームにおける条件付き蛇行チャネルに対する, 生成的対向ネットワークと深部変動推論の適用性について検討することを目的とする。
  論文  参考訳（メタデータ） (2023-05-12T14:21:14Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• Deep Injective Prior for Inverse Scattering [16.36016615416872]
  電磁的逆散乱において、目的は散乱波を用いて物体の誘電率を再構成することである。 ディープラーニングはイテレーティブな問題解決の代替手段としての可能性を示してきた。 深部生成モデルに基づく逆散乱のためのデータ駆動型フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-08T19:05:51Z)
• Deep Impulse Responses: Estimating and Parameterizing Filters with Deep Networks [76.830358429947]
  高雑音および地中設定におけるインパルス応答推定は難しい問題である。 本稿では,ニューラル表現学習の最近の進歩に基づいて,インパルス応答のパラメータ化と推定を行う新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T18:57:23Z)
• 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)
• A Variational Bayesian Approach to Learning Latent Variables for Acoustic Knowledge Transfer [55.20627066525205]
  本稿では,ディープニューラルネットワーク(DNN)モデルにおける潜伏変数の分布を学習するための変分ベイズ(VB)アプローチを提案する。 我々の提案するVBアプローチは,ターゲットデバイスにおいて良好な改善が得られ,しかも,13の最先端知識伝達アルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2021-10-16T15:54:01Z)
• 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)

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。