論文の概要: ReVeal-MT: A Physics-Informed Neural Network for Multi-Transmitter Radio Environment Mapping

• arxiv url: http://arxiv.org/abs/2512.04100v1
• Date: Sat, 22 Nov 2025 23:33:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.439721
• Title: ReVeal-MT: A Physics-Informed Neural Network for Multi-Transmitter Radio Environment Mapping
• Title（参考訳）: ReVeal-MT:マルチ送信無線環境マッピングのための物理インフォーマルニューラルネットワーク
• Authors: Mukaram Shahid, Kunal Das, Hadia Ushaq, Hongwei Zhang, Jiming Song, Daji Qiao, Sarath Babu, Yong Guan, Zhengyuan Zhu, Arsalan Ahmad,
• Abstract要約: 本稿では,マルチソースPDE残基をニューラルネットワーク損失関数に統合した新しいPINNであるemphReVeal-MTを提案する。 ReVeal-MTは、農耕地や郊外の環境にまたがるARA無線リビングラボからの実測値を用いて検証されている。 その結果,ReVeal-MTはマルチトランスミッタのシナリオでかなりの精度のゲインが得られることがわかった。
• 参考スコア（独自算出の注目度）: 9.43653276377036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately mapping the radio environment (e.g., identifying wireless signal strength at specific frequency bands and geographic locations) is crucial for efficient spectrum sharing, enabling Secondary Users~(SUs) to access underutilized spectrum bands while protecting Primary Users~(PUs). While existing models have made progress, they often degrade in performance when multiple transmitters coexist, due to the compounded effects of shadowing, interference from adjacent transmitters. To address this challenge, we extend our prior work on Physics-Informed Neural Networks~(PINNs) for single-transmitter mapping to derive a new multi-transmitter Partial Differential Equation~(PDE) formulation of the Received Signal Strength Indicator~(RSSI). We then propose \emph{ReVeal-MT} (Re-constructor and Visualizer of Spectrum Landscape for Multiple Transmitters), a novel PINN which integrates the multi-source PDE residual into a neural network loss function, enabling accurate spectrum landscape reconstruction from sparse RF sensor measurements. ReVeal-MT is validated using real-world measurements from the ARA wireless living lab across rural and suburban environments, and benchmarked against 3GPP and ITU-R channel models and a baseline PINN model for a single transmitter use-case. Results show that ReVeal-MT achieves substantial accuracy gains in multi-transmitter scenarios, e.g., achieving an RMSE of only 2.66\,dB with as few as 45 samples over a 370-square-kilometer region, while maintaining low computational complexity. These findings demonstrate that ReVeal-MT significantly advances radio environment mapping under realistic multi-transmitter conditions, with strong potential for enabling fine-grained spectrum management and precise coexistence between PUs and SUs.
• Abstract（参考訳）: 無線環境(例えば、特定の周波数帯域と地理的位置における無線信号強度の特定)を正確にマッピングすることは、効率的なスペクトル共有に不可欠であり、セカンダリ・ユーザー〜(SU)はプライマリ・ユーザー〜(PU)を保護しながら未使用のスペクトル帯域にアクセスすることができる。 既存のモデルは進歩しているが、複数の送信機が共存すると、隣接する送信機からの干渉であるシャドーイングの複合効果により、性能が劣化することが多い。 この課題に対処するため、単一送信者マッピングのための物理情報ニューラルネットワーク~(PINN)の先行研究を拡張し、受信信号強度指標~(RSSI)の新たな多送信部分微分方程式~(PDE)の定式化を導出する。 次に,マルチソースPDE残差をニューラルネットワーク損失関数に統合した新しいPINNであるemph{ReVeal-MT} (Re-constructor and Visualizer of Spectrum Landscape for Multiple Transmitters)を提案する。 ReVeal-MTは、3GPPおよびITU-Rチャネルモデルと1つの送信機使用事例のベースラインPINNモデルとをベンチマークし、RA無線リビングラボによる農村および郊外環境における実環境測定を用いて検証した。 その結果,ReVeal-MTは2.66\,dBのRMSEを370平方キロメートルの領域で45個のサンプルで達成し,計算複雑性を低く保ちながら,マルチトランスミッタのシナリオにおいてかなりの精度向上を実現していることがわかった。 以上の結果から,ReVeal-MTは現実的なマルチ送信条件下での無線環境マッピングを著しく向上させ,詳細なスペクトル管理とPUsとSUsの正確な共存を可能にする可能性が示唆された。

関連論文リスト

• FM-SIREN & FM-FINER: Nyquist-Informed Frequency Multiplier for Implicit Neural Representation with Periodic Activation [15.456760941404873]
  我々はNyquist-informed, neuron-specific frequency multipliersを周期的活性化に割り当てるFM-SIRENとFM-FINERを提案する。 この単純だが原則化された修正は特徴の冗長性を50%近く低減し、多様なINRタスク間の信号再構成を一貫して改善する。
  論文  参考訳（メタデータ） (2025-09-27T18:14:47Z)
• Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
  ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。 マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。 その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
  論文  参考訳（メタデータ） (2025-04-07T15:38:25Z)
• Neural Representation for Wireless Radiation Field Reconstruction: A 3D Gaussian Splatting Approach [8.644949917126755]
  本稿では,無線放射場(WRF)再構成に基づくチャネルモデリングのための新しいフレームワークであるWRF-GSを提案する。 本稿では、電磁波物理をニューラルネットワーク設計に統合する拡張フレームワークであるWRF-GS+を提案する。
  論文  参考訳（メタデータ） (2024-12-06T07:56:14Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• 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)
• Multi-task Learning Approach for Modulation and Wireless Signal Classification for 5G and Beyond: Edge Deployment via Model Compression [1.218340575383456]
  将来的な通信網は、異種無線デバイスの成長に対応するために、少ないスペクトルに対処する必要がある。 我々は、深層ニューラルネットワークに基づくマルチタスク学習フレームワークの可能性を利用して、変調と信号分類タスクを同時に学習する。 公共利用のための包括的ヘテロジニアス無線信号データセットを提供する。
  論文  参考訳（メタデータ） (2022-02-26T14:51:02Z)
• 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)

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。