应用物理信息的生成神经网络用于室内人体感知的射频传播预测
我们提出了一种用于在 3D 室内环境中进行无线通信模拟的实时电磁 (EM) 传播的新型机器学习 (ML) 方法 (EM-GANSim)。我们的方法使用了一种修改后的条件生成对抗网络 (GAN),该网络融合了编码几何和发射机位置,并符合电磁传播理论。整体上,基于物理启发的学习能够预测 3D 场景中的功率分布,该分布用热度图表示。我们的整体准确度与基于射线追踪的 EM 模拟相当,这表现在较低的均方误差值上。此外,我们基于 GAN 的方法大幅减少了计算时间,在复杂基准测试上实现了 5 倍加速。实际上,它可以在几毫秒内计算 3D 室内环境中任何位置的信号强度。我们还提供了一个包含 3D 模型和 EM 射线追踪模拟热度图的大型数据集。据我们所知,EM-GANSim 是在复杂 3D 室内环境中进行 EM 模拟的第一个实时算法。我们计划发布代码和数据集。
May, 2024
基于深度学习和生成对抗网络的逆散射问题研究,通过对多频散射电场幅度的准确和高效重构,提出了一个强大的方法,其中采用了对抗自编码器和密集层构成的逆神经网络框架,通过与正向神经网络的比较验证了结果的可靠性和提高了建模效率。
Feb, 2024
本研究利用神经射频辐射场,NeRF$^ extbf {2}$ 来解决射频信号精确建模中的难点,通过训练神经网络,提升了射频信号的可感知性,同时,通过建模射频模型和射线追踪来生成合成数据集,使用 Turbo-learning 技术,提升了应用层人工神经网络的性能。
May, 2023
该论文提出了一种半监督方法来训练基于物理信息的机器学习方法,包括自我训练的基于物理信息的神经网络和基于物理信息的高斯过程,并通过协同训练将两者整合起来。我们通过大量的数值实验展示了这些方法如何改善了物理信息机器学习中常见的时间向前传播信息的失败模式。
Apr, 2024
提出了一种多分辨率物理信息循环神经网络 (MR PI-RNN),用于同时预测肌肉骨骼 (MSK) 运动和识别 MSK 系统参数,该方法利用快速小波变换将混合频率的表面肌电图 (sEMG) 和关节运动信号分解为嵌套的多分辨率信号,并且采用分层训练的方法设计了一个 GRU 预测模型,并通过逐步训练的方式获得全尺寸训练结果,在保持动态平衡的同时,提高了肘部屈伸运动的运动预测精度。
May, 2023
设计现代通信系统需要模拟电磁信号传播,为了解决相反问题和自动化设计,文章提出使用基于几何代数的可微分神经替代模型进行模拟。通过引入无线几何代数变换器(Wi-GATr)作为骨干架构,在三维环境中模拟无线传播。同时研究了基于可微分预测建模和扩散模型的信号预测和反问题的两种算法方法,并在实验中验证了该方法相较于基线方法在使用更少数据的情况下能达到更高的精度。
Jun, 2024
本文提出了一种新颖的物理知识驱动的低样本学习方法,将拉格朗日运动方程和反动力学肌肉模型无缝集成到生成对抗网络 (GAN) 框架中,用于动态肌肉力学分析。
Jul, 2023