频谱论文：基于残差自编码器的电磁频谱地图构建方法

最新推荐文章于 2024-01-02 20:26:39 发布
最新推荐文章于 2024-01-02 20:26:39 发布
阅读量594 收藏 8
点赞数 7
分类专栏： 频谱地图 文章标签： 算法 人工智能 机器学习 射频工程
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_22163371/article/details/135088266
版权
该研究提出了一种基于残差自编码器的频谱地图构建方法，解决传感器稀疏场景中的精度问题。文章分析了传统插值算法的局限性，以及使用dBm的原因，并引入掩码改进深度学习模型的填充性能。实验基于Remcom公司的WirelessInSite数据集。
摘要由CSDN通过智能技术生成

#频谱#

张晗,韩宇,姜航等.基于残差自编码器的电磁频谱地图构建方法[J].无线电通信技术,2023,49(02):255-261 （哈尔滨工程大学）

研究内容

        针对实际复杂场景下频谱地图构建精度低的问题,提出了一种基于残差自编码器的频谱地图构建方法。在输入中添加一个二进制的掩码用以区分输入缺失位置和测量值。
        本文是一般性的构建神经网络做事情的套路。

分析

  • 1. 传统的插值算法不足：在一些复杂场景下,特别是传感器分布较为稀疏时,插值算法难以准确地估计一些敏感位置的频谱PSD,导致插值算法在一些细节上估计误差偏高。
  • 2. 频谱地图使用dBm为单位的原因：使用对数单位 dBmW(简称 dBm),取代了自然功率单位,这样可以避免数据分布不均所带来的性能损失。
  • 3.使用掩码的作用：基于深度学习的模型仍没有考虑 Ω。 也就是说网络无法区分测量值与填充值,因此填充性能较差。 本文参考了图像修复领域的经验,添加了一个二进制的掩码作为输入的另一个维度。

信息

一个开源的频谱地图数据集：Remcom 公司的 Wireless InSite 软件

斯汤雷
关注
专栏目录
目标检测YOLO实战应用案例100讲-基于卷积神经网络的小样本机载雷达动目标检测
qq_36130719的博客
09-07 395
在多元化战争的今天，空中力量在现如今的国防中占据越来越大的比重，而飞机作为空中的主干力量，也成为众多国家研究和发展的重点对象。从1991的海湾战争之后，我国就已经意识到现代战争的变化，并且开始发展自身的国防力量，经 过几十年的发展，第五代战机已经成为我国国防的主要力量，我国的防空力量也越 来越完善。机载雷达作为飞机的眼睛，对飞机的重要性不言而喻，机载雷达的存在， 可以让飞机在远距离就能够准确的定位到目标，从而实施准确的打击和跟踪。
目标检测YOLO实战应用案例100讲-基于激光雷达的智能汽车多目标检测与跟踪方法研究
qq_36130719的博客
07-17 934
随着智能驾驶技术的不断发展，传统的三维点云目标检测算法其精度已经无法满足智 能汽车对环境感知日益增长的需求。在这样的情况下AI潮流所引领的深度学习三维目标 检测算法成为了智能驾驶感知算法中必不可少的一环。此小节将会分析对比当今深度学习 三维点云检测算法的特点，来确定基线算法，并对其进行介绍。3.1.1 三维点云检测算法特点对比。
频谱论文：空间频率插值的无线电地图 Space-Frequency-Interpolated Radio Map
最新发布
qq_22163371的博客
01-02 539
空间频率插值的无线电地图
机器学习-23-Unsupervised Learning-07-Deep Auto-encoder(无监督学习之自编码器)
迷雾总会解
12-29 693
文章目录Unsupervised Learning: Deep Auto-encoderIntroductionCompare with PCADeep Auto-encoderMulti LayerVisualizeText RetrievalBag-of-wordAuto-encoderSimilar Image SearchPre-training DNNCNNCNN as EncoderUnpoolingDeconvolutionOther Auto-encoderDe-noising Auto-e
自编码器AutoEncoder（二）
Dongjiuqing的博客
12-12 707
那么既然编码器可以将784维的数据压缩到128维，把原数据的精髓提取到128维的空间中，而且自编码有点类似于PCA的做法，那么既然可以压缩，我把它压缩到二维或者三维空间可视化一下可不可以呢？答案是可以的。当把数据不断地压缩，然后解码，然后跟原始数据对比求出残差再反向传递，逐步减小损失的过程中，自编码器学到的东西会越来越好，压缩的精髓也就越来越能代表原始数据的分布，那么我就把原始数据压缩到2维或者3...
基于一维残差卷积自动编码器的滚动故障轴承诊断
qq_41043389的博客
02-27 7930
滚动轴承故障诊断实质上是“特征提取+模式分类”的问题，即首先对原始震动信号进行特征提取，提取出其中的关键特征，然后采用分类器如SVM，KNN进行模式分类，可以说提取的特征越具表达性，分类器的精度就越高。表达性差的特征，不管换成啥分类器，精度都提高不了多少，而表达性强的特征，就算采用简单的KNN，精度都很高。 因此，合理的特征提取是提高故障诊断精度的关键。现有的震动...
电磁波 -- 频谱介绍
迟来大师的博客
01-09 1万+
无线电波 可见光（赤橙红绿青蓝紫），自动驾驶中常提到的毫米波，战机上使用的雷达波，都是无线电波的一种。 无线电波有哪些分类呢，他们的波长是多少呢？现在我们就讲解。 可爱的频谱示意图 再来一张严肃的电磁波谱图 接着上一张频率波长表 - -毫米波呢？ 毫米波介于红外和微波之间，波长为1~10mm的电磁波，兼具红外和微波两种波的特性。 - - -毫米波谱中的突变点。 - -激光雷达 ？ - - ...
自编码器
sxx1214的博客
07-01 2202
自编码器 在网上一直在搜自编码器的相关资料，但好多看不懂，可能是自己水平限制吧，毕竟对自编码器什么都不懂。经过自己这几天搜集资料，希望能够写一篇相对完善的关于自编码器的资料，希望能有小白看过之后对自编码器有一个初步的了解。 自编码器是神经网络的一种，经过训练后能够将输入复制到输出。该网络可以看到由两部分组成：一个由函数h=f(x)表示的编码器和一个生成重构的解码器r=g(h)。这个可能很多人认为没...
高清雷达距离-多普勒频谱的快速傅立叶变换训练模型
17021用于多任务学习的Julien Reb ut1Arthur Ouaknine1，2W aqas Malik3P atrickPe' rez11：Valeo.ai，巴黎，法国 2：Te' le' comParis，巴黎，法国 3：ValeoNorthAmericaInc.，加利福尼亚州圣马特奥图1....
基于挤压-注意网络的语义分割
13065基于挤压-注意网络的语义分割钟子龙1、4、林仲秋2、Rene Bidart2、胡晓丹2、Ibrahim Ben Daya2、李志峰5、郑伟世1、3、4、Jonathan Li2、Alexander Wong21中山大学数据与计算机科学学院2University of Waterloo...
基于迁移深度学习的雷达信号分选识别
m0_62870606的博客
03-02 4724
基于迁移深度学习的雷达信号分选识别 人工智能技术与咨询 来源：《软件学报》，作者王功明等 摘要:针对当前雷达信号分选识别算法普遍存在的低信噪比下识别能力差、特征参数提取困难、分类器模型参数复杂等问题，提出了一种基于时频分析、深度学习和迁移学习融合模型的雷达信号自动分选识别算法。首先通过引入的多重同步压缩变换得到雷达信号的时频图像，然后利用灰度化、维纳滤波、双三次插值法和归一化等手段对时频图像进行预处理，最后基于迁移学习的方法，以GoogLeNet和ResNet模型为基础完成了对雷达信号的离线训..
深度残差收缩网络DRSN详细解读-pytorch
枫的博客
10-18 2526
深度残差收缩网络DRSN详细解读-pytorch
DNN、FCN、CNN、RNN、LSTM、BRNN、DRNN、GAN、自编码器、DBN、RBN、注意力网络、MCNN、Inception、dropout、残差网络
wqy1837154675的博客
03-20 7233
DNN、FCN、CNN、RNN、LSTM、BRNN、GAN、DBN、RBN、自编码器、注意力网络、MCNN、Inception、dropout、残差网络 3 CNN 定义: CNN（Convolutional Nueral Network，卷积神经网络）是一个在输人和输出之间至少有一层(tf.nn.conv2d)由可学习的卷积核产生输出的神经网络。使用卷积核对输人层(张量)的每个点进行卷积。通过在...
TF之AE：AE实现TF自带数据集数字真实值对比AE先encoder后decoder预测数字的精确对比—Jason niu...
aoduo9781的博客
01-27 1332
import tensorflow as tf import numpy as np import matplotlib.pyplot as plt #Import MNIST data from tensorflow.examples.tutorials.mnist import input_data mnist=input_data.read_data_sets("...
【deep learning精华部分】稀疏自编码提取高阶特征、多层微调完全解释及代码逐行详解...
weixin_30237281的博客
02-03 626
我们前面已经讲了如何训练稀疏自编码神经网络，当我们训练好这个神经网络后，当有新的样本输入到这个训练好的稀疏自编码器中后，那么隐藏层各单元的激活值组成的向量就可以代表（因为根据稀疏自编码，我们可以用来恢复），也就是说就是在新的特征下的特征值。每一个特征是使某一个取最大值的输入。假设隐藏层单元有200个，那么就一共有200个特征，所以新的特征向量有200维。特征显示情况在前面博客中已经给出，我们把这时...
差分自编码器介绍、推导及实现
Andy的博客
09-24 4141
说在前面的话 最近几天在看VAE（variational auto-encoder）相关的资料，自己也是第一次接触到，在网上陆陆续续看了一些资料和视频，从看不懂，到迷迷糊糊，再到理解并用代码实现，这也花费了我将近两天的时间，所以，如果你也和我一样刚接触到，请耐心地多翻阅资料，看完本文并理解本文可能会需要花费你比较多时间。本文中，我会尽力把概念描述得更加intuitive，把数学公式推导过程列出，再...
卷积自编码器
热门推荐
Sky
03-04 3万+
卷积自编码器利用了传统自编码器的无监督的学习方式，结合了卷积神经网络的卷积和池化操作，从而实现特征提取，最后通过stack，实现一个深层的神经网络。 具体文章可以参考： Masci J, Meier U, Cireşan D, et al. Stacked convolutional auto-encoders for hierarchical feature extraction[C]//I
TensorFlow实战——学习笔记（一）去噪自编码器实现
Star_Platinum的博客
08-11 7434
导入模块和数据 import numpy as np import sklearn.preprocessing as prep import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data 这里的自编码器采用Xavier initialization方法初始化参数，需要先定义好它。Xavie...
【自监督算法】自编码器（autoencoder, AE）
褚骏逸的学习之路
05-30 6860
 十分建议先读keras文档  看完之后感觉好像普通的自编码器好像没啥用啊？  使用自编码器做数据压缩，性能并不怎么样……  做逐层预训练训练深度网络吧，现在好的初始化策略、Batch Normalization、残差连接啥的都很有效了……  那自编码器岂不是只有数据去噪、为进行可视化而降维这两个可应用的点了！配合适当的维度和稀疏约束，自编码器可以学习到比PCA等技术更有意思的数据投影。 当然了，变分自编码器用于生成模型还是挺好的！ 1.简介 自编码器是一类在半监督学习和非监督学习中使用的人工神经网络。.
时间序列加性离群点检测：基于残差统计的新方法
"该文研究了一种基于残差统计的时间序列加性离群点检测算法，利用AR模型进行前向和后向拟合，通过数据相对变化率判别法减少离群点对拟合的影响，并基于高斯分布的假设检验确定离群点。这种方法在仿真中表现出高准确...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值