GLIP:深度生成网络完成电磁场暴露图
该研究论文讨论了一种基于变分自编码器(VAE)的物理约束生成神经网络模型,用于模拟人体运动对电磁场的影响并融合电磁体绕射原理。通过与经典绕射基于电磁工具和全波电磁体模拟进行验证。
May, 2024
本研究提出了一种利用深度神经网络从数据集中学习先前测量的传播现象空间结构来估计电台占用地图的方法,有效利用了完整的卷积自编码器结构,以显著减少用于估计预定准确性映射所需的测量数量。
May, 2020
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
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
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
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
本文介绍了一种基于生成对抗网络(GAN)的新型无线电地图构建方法,命名为 ACT-GAN,并通过三种不同场景的实验结果表明,ACT-GAN 在提高无线电地图的重建精度方面具有显著优势,同时有助于更准确地预测电磁空间场分布和发射源位置。
Jan, 2024
本文主要研究如何解决基于 Generative Adversarial Networks 的图像生成模型在高频处表现不佳的问题,为解决此问题,提出一种仅需少量计算资源的方法来调整模型对数据的关注点,增强模型的灵活性。
Oct, 2020
本研究使用 Lipschitz 连续的 embedding 以及 wavelet Scattering transform 计算深度卷积生成网络,不需要被鉴别器或编码器优化,并且具有类似 GAN 或 VAE 的属性。
May, 2018