Physics-informed generative neural networks for RF propagation prediction with application to indoor body perception

要約

高周波(RF)伝搬を予測するために設計された電磁気(EM)体モデルは、時間のかかる方法であるため、人体の位置特定やセンシングのような厳密なリアルタイム計算イメージング問題への採用が妨げられている。最近、EM効果を再現するために、物理学情報に基づく生成ニューラルネットワーク(GNN)モデルが提案されている。本論文では、EMフィールドに対する人間の動きの影響を再現し、EMの体回折原理を組み込むように訓練された変分オートエンコーダ（VAE）モデルについて議論する。提案された物理情報に基づく生成ニューラルネットワークモデルは、古典的な回折ベースのEMツールと全波EMボディシミュレーションの両方に対して検証されている。

要約(オリジナル)

Electromagnetic (EM) body models designed to predict Radio-Frequency (RF) propagation are time-consuming methods which prevent their adoption in strict real-time computational imaging problems, such as human body localization and sensing. Physics-informed Generative Neural Network (GNN) models have been recently proposed to reproduce EM effects, namely to simulate or reconstruct missing data or samples by incorporating relevant EM principles and constraints. The paper discusses a Variational Auto-Encoder (VAE) model which is trained to reproduce the effects of human motions on the EM field and incorporate EM body diffraction principles. Proposed physics-informed generative neural network models are verified against both classical diffraction-based EM tools and full-wave EM body simulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL