A Deep Learning Framework for Two-Dimensional, Multi-Frequency Propagation Factor Estimation

要約

レーダー技術の効果的な展開には、海洋大気境界層内の複数の周波数にわたって屈折環境を正確に推定することが重要です。
従来の放物線方程式シミュレーションは、効果的ですが、計算上高価で時間型であり、実用的なアプリケーションを制限することができます。
このコミュニケーションは、深いニューラルネットワークを使用して、信号伝播に対する環境への影響を特徴付けるための重要なパラメーターであるパターン伝播係数を推定するための新しいアプローチを探ります。
修正された屈折率データを摂取し、同じドメインにわたってパターン伝播因子の予測を生成するように設計された画像間翻訳ジェネレーターが開発されました。
調査結果は、複数の周波数を分析し、従来の方法に代わるものを提供するパターン伝播係数を合理的に予測するために、深いニューラルネットワークをトレーニングできることを示しています。

要約(オリジナル)

Accurately estimating the refractive environment over multiple frequencies within the marine atmospheric boundary layer is crucial for the effective deployment of radar technologies. Traditional parabolic equation simulations, while effective, can be computationally expensive and time-intensive, limiting their practical application. This communication explores a novel approach using deep neural networks to estimate the pattern propagation factor, a critical parameter for characterizing environmental impacts on signal propagation. Image-to-image translation generators designed to ingest modified refractivity data and generate predictions of pattern propagation factors over the same domain were developed. Findings demonstrate that deep neural networks can be trained to analyze multiple frequencies and reasonably predict the pattern propagation factor, offering an alternative to traditional methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google