MMApr, 2024

基于机器学习的无线定位中最小描述特征选择的复杂度降低

PDF
TL;DR我们设计了一种利用最小描述特征来大大降低深度学习网络复杂性的新型定位神经网络（P-NN）。通过最大功率测量及其时间位置传达进行定位所需的信息，使 P-NN 的学习能力得到改进，同时在稀疏图像和测量矩阵上实现自注意力机制以强化网络的训练能力，并通过信息论量化信号 bin 选择上的期望信息增益和分类能力进行特征空间大小的优化。数值结果表明，P-NN 在性能复杂度平衡方面相比利用完整的功率延迟特征（PDP）的深度学习基准有显著的优势，尤其在低信噪比情况下，通过我们的最小描述特征，不必要的测量结果被舍弃，取得了很大的性能改进。
deep learningwireless positioningneural networkfeature selectionperformance-complexity tradeoff
发现论文，激发创造
  • 基于机器学习的无线定位中的复杂度简化：最小描述特征

    本研究通过设计一种位置神经网络（P-NN），结合最大功率测量和时间位置，减少了深度学习的复杂度，实现了性能和复杂度之间的优势平衡。

    Feb, 2024

  • 无线频谱数据的深度特征学习

    通过使用卷积神经网络，我们在无监督学习的过程中提出了一种基于特征工程的模型，该模型能够自动地学习适用于无线传输聚类的特征表示方法。相对于基准的主成分分析（PCA），我们的模型自动学习由比基准少 99.3% 的组成部分组成的输入数据的降维表示，从而能够提取具有细粒度的无线传输突发形状的聚类，而基准模型只能基于背景噪声进行数据的一般可分性。

    Aug, 2023

  • 学习优化：训练深度神经网络用于 无线资源管理

    本文提出了一种基于深度神经网络的学习算法来近似数值优化算法，在无线资源管理的应用中，此算法可以在几乎实时完成资源分配，大大提高了计算效率。同时，本文也在理论和实践两方面讨论了基于深度神经网络的算法逼近，并在实现方面用大量数值模拟来证明该算法相对于基于优化的最先进的功率分配算法可以实现几个数量级的加速。

    May, 2017

  • 运用深度学习技术进行 WiFi 指纹的低投入场所辨识

    本文研究使用深度神经网络来提高室内定位系统的可靠性和准确性，以 WiFi 信号为主要定位模式，并利用 UJIIndoorLoc 数据集进行实验和验证。

    Nov, 2016

  • 室内毫米波定位利用多个自主学习的微型神经网络

    本研究提出了使用多层感知机神经网络（NN）在大型室内环境中定位移动毫米波客户端的方法。通过选择多个经过自监督训练的小型 NN，并根据最佳 NN 进行切换，我们解决了定位准确性不足的问题。我们提出了两种切换方案：基于卡尔曼滤波和基于训练数据的统计分布。通过模拟分析，我们证明了我们的方法优于几何定位方案和使用单个 NN 的方法。

    Nov, 2023

  • 特征选择小样本表格生物医学数据的重量预测网络

    针对高维、小样本的表格型生物医学数据，我们提出了一种 Weight Predictor Network with Feature Selection（WPFS）神经网络。该网络通过特征选择和参数减少来学习高维、小样本数据，具有较好的性能，并提供了有用的学习洞察。

    Nov, 2022

  • 基于循环神经网络的卫星测量特征和伪距残差 GNSS 定位

    本实验使用具有异构特性的自定义矩阵并借助循环神经网络在全球导航卫星系统中优化测量加权，以提高精度，并成功超越了现有的传统测量加权和选择策略。

    Jun, 2023

  • 特征表示对光子神经网络准确性的影响

    通过研究多种编码策略的效果，开发了数学框架以分析特征组合对光子神经网络的性能和学习能力的影响，并通过选择最优编码方法，在 Iris 数据集上取得了相比其他编码技术更高的精度提升，突破了不进行特征组合的网络性能。这些发现凸显了在规模或功率受限的应用中，谨慎选择编码方式对光子神经网络的精度和决策策略的重要性。

    Jun, 2024

  • 傅里叶特征：让网络在低维度域中学习高频函数

    通过将输入点通过简单的傅里叶特征映射传递，使得多层感知机（MLP）能够学习低维问题领域中的高频函数。研究结果对计算机视觉和图形学领域中使用 MLP 表示复杂 3D 对象和场景的最新进展提供了启示。通过神经切比雪夫核（NTK）文献中的工具，我们展示了标准 MLP 在理论和实践中都无法学习高频的结论。为了克服这种频谱偏差，我们使用傅里叶特征映射将有效的 NTK 转换为带有可调节带宽的平稳核。我们提出了一种选择问题特定的傅里叶特征的方法，极大地提高了 MLP 在与计算机视觉和图形学相关的低维回归任务中的性能。

    Jun, 2020

  • 基于产品的神经网络用于用户响应预测

    本文提出了一种基于产品的神经网络模型（PNN），通过嵌入层来学习分类数据的分布式表示，通过乘积层来捕获领域之间的互动模式，并进一步完全连接的层来探索高阶特征交互，实验证明在两个大规模实际广告点击数据集上，PNN 模型在各种指标上都优于现有的基准模型。

    Nov, 2016