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

要約

無線周波数 (RF) 伝播を予測するために設計された電磁 (EM) 人体モデルは、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などの厳密なリアルタイムの計算によるイメージング問題への採用が妨げられます。
最近、物理学に基づいた生成ニューラル ネットワーク (GNN) モデルが、EM 効果を再現する、つまり、関連する EM 原理と制約を組み込むことによって欠落したデータやサンプルをシミュレートまたは再構築するために提案されています。
この論文では、EM フィールドに対する人間の動きの影響を再現し、EM 物体回折原理を組み込むようにトレーニングされた変分オートエンコーダ (VAE) モデルについて説明します。
提案された物理学に基づいた生成ニューラル 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ます。

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, Google