Red neuronal híbrida U-net-INR para la reconstrucción de mapas electromagnéticos dispersos de alta precisión

Área de la Ciencia:

• Teoría del campo electromagnético; Procesamiento de señales; Inteligencia artificial

Sus antecedentes:

• El muestreo disperso limita la precisión de la reconstrucción de mapas de entornos electromagnéticos.; Los métodos tradicionales de interpolación y aprendizaje profundo de modelo único tienen dificultades con los detalles de propagación no lineal y la coherencia física.

Objetivo del estudio:

• Desarrollar un algoritmo novedoso para la reconstrucción de mapas de entornos electromagnéticos de alta precisión a partir de datos dispersos.; Superar las limitaciones de las técnicas de interpolación y aprendizaje profundo existentes.

Principales métodos:

• Se propuso un algoritmo híbrido U-Net-Representación Neuronal Implícita (INR).; El marco integra U-Net para la extracción de características e INR para el mapeo de campos continuos.; El método se probó en niveles de dispersión que van del 0.005 al 0.05.

Principales resultados:

• El algoritmo híbrido U-Net-INR demostró una precisión superior en comparación con la interpolación de Kriging y de ponderación por distancia inversa (IDW).; Logró un menor Error Cuadrático Medio (MSE) y Error Absoluto Medio (MAE), y una mayor Relación Señal-Ruido Pico (PSNR).; Restauró con éxito los detalles de propagación no lineal y garantizó la coherencia física.

Conclusiones:

• El algoritmo híbrido U-Net-INR propuesto permite la reconstrucción de mapas electromagnéticos de alta fidelidad a partir de datos extremadamente dispersos.; Proporciona una solución robusta para un mapeo electromagnético preciso en condiciones de muestreo prácticas.; Mejora las capacidades de gestión del espectro y de conocimiento de la situación.