Feb, 2024

机器学习路径损耗预测的模拟增强数据扩充

PDF
TL;DR本文介绍了一种用于机器学习路径损耗预测的新型增强数据方法，通过将合成数据与真实数据相结合，显著改善了模型在不同环境中的泛化能力，取得了可观的均方误差改进。
machine learningpathloss predictiondata augmentationsimulationgradient boosting
发现论文，激发创造
  • 5G 网络中路径损耗预测的稳健机器学习方法与嵌套交叉验证

    利用机器学习方法对 5G 网络系统中的路径损耗进行预测，以实现更精确的网络规划、资源优化和性能改进。

    Oct, 2023

  • 无线电地图估计 - 包含定向发射天线的开放数据集和初步实验

    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

  • 基于机器学习的简化特征路径损耗建模

    简化的环境信息在无线信号传播预测中提供了高效而有效的解决方案，通过使用方便且准确的障碍物深度作为预测模型，可用于传播建模、无线部署和频谱规划。

    May, 2024

  • 利用机器学习解决物理系统模拟中的计算难题

    本研究提出了一个基于机器学习的数据生成框架，旨在辅助那些利用模拟来研究各种物理系统或过程的研究人员。我们的方法包括两个步骤：首先，我们使用有限的模拟数据训练监督预测模型来预测模拟结果；然后，我们使用强化学习代理来生成准确的、类似于模拟的数据，从而更有效地探索参数空间并深入了解物理系统或过程。我们通过两个案例研究：一个关注地震破裂物理，另一个关注新材料开发，证明了所提出框架的有效性。

    May, 2023

  • 基于 Transformer 的神经代理模型用于可变尺寸地图下的链路级路径损耗预测

    使用基于 Transformer 的神经网络架构，从不同维度的地图和稀疏测量中预测链路级属性，而不需要离散化，这种方法可以高效地学习稀疏训练数据中的主要路径损耗，并在新的地图上具有良好的泛化能力。

    Oct, 2023

  • 时间序列数据增强的不平衡学习问题

    这篇研究提出了一种生成单变量时间序列合成样本的新方法，通过使用过采样技术创建合成时间序列观测来改善预测模型的准确性，并在实验中证明了该方法优于全局模型和本地模型，提供了更好的权衡。

    Apr, 2024

  • 结合机器学习和作物模型改善美国玉米带作物产量预测

    研究探讨将作物建模和机器学习（ML）相结合是否能提高美国玉米带的玉米产量预测，并确定 APSIM 特征对于玉米产量预测的影响，研究结果显示将 APSIM 模拟作为输入特征用于 ML 模型中可将预测均方根误差（RMSE）降低 7 到 20％，其中土壤湿度相关的 APSIM 变量对于 ML 预测最具影响力。

    Jul, 2020

  • 一种可扩展且可推广的路径损耗图预测

    基于 ML 的 PMNet 通过使用有限的 RT（或信道测量）数据和地图数据进行训练，可以在几毫秒内高精度地预测位置上的路径损耗，并通过使用迁移学习在快速和高效的情况下学习新的网络场景。

    Dec, 2023

  • CARLA 模拟器中基于 LiDAR 的逼真雨天气模拟

    我们提出了一种基于模拟器的物理建模方法，用于增强在雨天中的 LiDAR 数据，以提高其在此场景下的感知性能。实验证明，通过合成数据增强的模型可以提高在 Waymo 开放数据集的雨天序列中的目标检测任务性能。

    Dec, 2023

  • SimAug：从模拟中学习鲁棒的轨迹预测表示

    本文使用 3D 仿真数据进行预测未来人物轨迹，提出了一种通过增加仿真数据以学习鲁棒表示的新方法，可以更好地推广到未见过的真实数据，并在三个真实世界基准下实现了有希望的结果并在 Stanford Drone 和 the VIRAT/ActEV 数据集中取得了最先进的表现。

    Apr, 2020