混合U-net-INR网络用于高精度稀疏电磁地图重建.
Wanqing Wu1, Baoguo Yu1, He Dong1
1The 54th Research Institute, China Electronics Technology Group Corporation (CETC), Shijiazhuang 050081, China.
iScience
|February 20, 2026
概括
从稀疏的数据中重建电磁地图是具有挑战性的. 我们的混合U-Net-隐性神经表示 (INR) 算法实现了高精度的电磁环境映射,即使采样有限.
科学领域:
- 电磁场理论 电磁场理论
- 信号处理 信号处理
- 人工智能的人工智能是人工智能.
背景情况:
- 稀疏采样限制了电磁环境地图重建的准确性.
- 传统的插值和单模深度学习方法与非线性传播细节和物理一致性作斗争.
研究的目的:
- 从稀疏的数据开发一种新的算法,用于高精度的电磁环境地图重建.
- 克服现有的插值和深度学习技术的局限性.
主要方法:
- 一个混合的U-Net-隐性神经表示 (INR) 算法被提出.
- 该框架集成了U-Net用于特征提取和INR用于连续现场映射.
- 该方法在从0.005到0.05.05的稀疏度水平上进行了测试.
主要成果:
- 混合U-Net-INR算法与Kriging和反向距离权重 (IDW) 插值相比显示出更高的准确性.
- 实现了较低的平均平方误差 (MSE) 和平均绝对误差 (MAE),以及更高的峰值信号与噪声比率 (PSNR).
- 成功恢复了非线性传播细节,并确保了物理一致性.
结论:
- 拟议的混合U-Net-INR算法能够从极其稀疏的数据中进行高准确度的电磁地图重建.
- 在实用的采样约束下提供了可靠的解决方案,用于在实际采样约束下准确的电磁映射.
- 增强频谱管理和情境意识能力.


