深度补全自编码器用于无线电地图估计
通过使用无人机收集大量数据,并对现有的射频地图估计器进行评估,本研究揭示出具有深度神经网络 (DNNs) 的复杂估计器表现最佳,但需要大量训练数据才能相对传统方案提供实质性优势,同时还提出了一种混合两种类型估计器的新算法,展示了进一步探索该研究方向的潜力。
Oct, 2023
该论文提出了一种基于频谱调查的移动机器人测量方法,使用两种算法进行地图估计和信息度量,以及一个动态规划方法规划机器人路径,实现在短时间内在最具信息量的位置进行测量,从而快速构建准确的无线电地图。
Jan, 2022
在 6G 时代,通过使用生成对抗网络(GAN)的合作式无线电地图估计(CRME)方法,可以快速而精确地估计无线电资源的分布并推测地图信息,实现低数据采集成本和计算复杂度。
Feb, 2024
近年来,许多研究探讨了深度学习算法在城市通信网络中确定发射器和接收器对之间的大规模信号衰落(也称为 “路损”)的应用。本文通过发布包含真实城市地图和开放数据源的航拍图像的模拟路损无线电地图公共数据集,进行了关于模型架构、输入特征设计以及从航拍图像估计路损地图的初步实验,并提供了相关代码。
Jan, 2024
针对基于位置相关射频测量和利用关于本地区域的侧面知识(例如城市计划、地形高度、网关位置)的接收信号强度图的重建问题,本文采用神经架构搜索找到最佳神经网络模型的最佳架构,并证明使用附加的侧面信息提高了三个现实城市的接收信号强度图重建的最终准确性,特别是在通常观察到平均接收信号功率变化较大的门附近的子区域。
Jun, 2023
通过利用接收信号强度数据并利用环境的几何结构联合构建无线电地图和虚拟环境,该论文提出了一种机器学习方法,用于快速构建 5G 及以后无线通信系统的信道模型。实验证明,该模型在重建 3D 虚拟环境方面表现出色,并在无线电地图构建方面优于现有方法,准确性提高了 10%-18%。同时,该模型在转移到新环境时可以减少 20% 的数据和 50% 的训练时期。
Mar, 2024
此研究提出了一种利用堆叠自动编码器进行降维和 K 均值聚类来处理遥感数据的无监督机器学习框架,通过使用 Mutawintji 地区的 Landsat-8、ASTER 和 Sentinel-2 数据集进行地质制图的评估,结果显示该框架能够产生准确可解释的地质图,并且堆叠自动编码器相较于其他方法具有更好的准确性,并且生成的地质图与先前的地质知识相符同时提供了新的地质结构见解。
Apr, 2024