文献

J-GLOBAL ID：202202256219123723   整理番号：22A0959293

深層スペクトル地図作成:学習ニューラルモデルを用いた無線マップテンソルの完成【JST・京大機械翻訳】

Deep Spectrum Cartography: Completing Radio Map Tensors Using Learned Neural Models

著者 (3件)： Shrestha Sagar (School of Electrical Engineering and Computer Science, Oregon State University, Corvallis, OR, USA) ,  Fu Xiao (School of Electrical Engineering and Computer Science, Oregon State University, Corvallis, OR, USA) ,  Hong Mingyi (Department of Electrical and Computer Engineering, University of Minnesota, Minneapolis, MN, USA)
資料名： IEEE Transactions on Signal Processing  (IEEE Transactions on Signal Processing)
巻： 70  ページ： 1170-1184  発行年： 2022年 
JST資料番号： C0228A  ISSN： 1053-587X  CODEN： ITPRED  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： スペクトルカルトグラフィ(SC)技法は,限られた測定からマルチドメイン(例えば,周波数,空間,時間)無線周波数(RF)マップを構築し,それは不良設定テンソル完了問題とみなすことができる。モデルベースのカルトグラフィ技術は,完了タスクのための手作業先物(例えば,スパース性,平滑度,低ランク構造)にしばしば依存する。このような事前は,特に厳しいシャドウイングが起こるとき,複雑な無線環境-の本質を捉えるのに不適切であるかもしれない。このような課題を回避するために,深いニューラルネットワーク(DNN)がデータから複雑な基礎構造を「学習」できるので,無線マップのオフライン訓練深層ニューラルモデルをSCに対して考慮した。しかし,そのような深層学習(DL)ベースのSC手法は,オフラインモデル学習(訓練)と完了(一般化)の両方で重大な課題に遭遇するが,これは,無線マップを生成する潜在状態空間が,非常に大きいためである。本研究では,個々のエミッタの無線マップのみをDNNによってモデル化するエミッタ無線マップ分解ベースの手法を提案した。この方法で,学習と一般化の課題は両方とも大幅に軽減できる。学習されたDNNを用いて,高速非負行列因数分解ベースの2段階SC方式と性能強化反復最適化アルゴリズムを提案する。無線テンソルの復元性,サンプル複雑性,および提案したフレームワークの下での雑音ロバスト性のような理論的側面を特徴付け,DLベースの無線テンソル完了の文脈において,そのような理論的特性を明らかにした。屋内および重度陰影環境からの合成および実データを用いた実験を行い,提案した方法の有効性を示した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 雑音 ,  *テンソル ,  *学習 ,  最適化手法 ,  復原性 ,  ニューラルネットワーク ,  *スペクトル ,  *地図作成 ,  ロバスト性
準シソーラス用語： *神経回路網モデル ,  スパース性 ,  無線周波数 ,  モデルベース ,  非負行列因子分解 ,  深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 信号理論  (ND02020G)

タイトルに関連する用語 (8件)： 深層 ,  スペクトル ,  地図作成 ,  学習 ,  ニューラルモデル ,  無線 ,  マップ ,  テンソル