Улучшение метрологических характеристик безэховых камер за счет апостериорного анализа на основе искусственных нейронных сетей
Ключевые слова:
безэховая камера, нейронные сети, генеративно-состязательные модели, распределение электромагнитного поля, метрологические характеристикиАннотация
Рассмотрена возможность улучшения метрологических характеристик безэховой камеры за счет апостериорной обработки результатов измерений на основе генеративно-состязательной модели искусственной нейронной сети в целях снижения влияния на распределение электромагнитного поля в измерительной зоне волн, отраженных от внешних границ камеры и расположенного в ней оборудования. Обучение нейронной сети осуществлено на наборе данных, которые были получены в рамках вычислительного эксперимента и включали в себя распределения электромагнитного поля в области безэховости для модели безэховой камеры и свободного пространства при заданных схемах размещения источников. Распределения действительной и мнимой частей электрической компоненты электромагнитного поля закодированы в виде цветных изображений. На примере двумерных моделей безэховых камер показана практическая реализуемость предложенного подхода к апостериорной обработке результатов измерений. Приведены методики оценки точности апостериорной обработки результатов измерений на основе метрик, используемых для оценки качества графических изображений, и вычисления погрешностей амплитуд электрической компоненты электромагнитного поля. Оценена возможность реализации предложенной методики апостериорного анализа в рамках натурных микроволновых измерений в безэховых камерах.
Библиографические ссылки
- Mitsmakher MYu, Torgovanov VA. Bezekhovye kamery SVCh [Anechoic chambers UHF]. Moscow: Radio i svyaz’; 1982. 128 p. Russian.
- Fausett L. Fundamentals of neural networks: architectures, algorithms and applications. [S. l.]: Pearson Education Inc.; 1993. XVI, 461 p.
- Sagdeeva YuA, Kopysov SP, Novikov AK. Vvedenie v metod konechnykh elementov [Introduction to the finite element method]. Izhevsk: Udmurtskii universitet; 2011. 44 p. Russian.
- Zhang Yifei. A better autoencoder for image: convolutional autoencoder [Internet]. In: ABCs 2018. 1 st ANU bio-inspired computing conference; 2018 July 20; Canberra, Australia. [S. l.]: [s. n.]; 2018 [cited 2021 November 9]. Available from: http://users.cecs.anu.edu.au/~Tom.Gedeon/conf/ABCs2018/paper/ABCs2018_paper_58.pdf.
- Isola P, Zhu J-Y, Zhou T, Efros AA. Image-to-image translation with conditional adversarial networks. arXiv:1611.07004v3 [Preprint]. 2018 [cited 2021 November 9]: [17 p.]. Available from: https://arxiv.org/abs/1611.07004v3.
- Fardo FA, Conforto VH, de Oliveira FC, Rodrigues PS. A formal evaluation of PSNR as quality measurement parameter for image segmentation algorithms. arXiv:1605.07116v1 [Preprint]. 2016 [cited 2021 December 1]: [11 p.]. Available from: https://arxiv.org/abs/1605.07116v1.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Авторы, публикующиеся в данном журнале, соглашаются со следующим:
- Авторы сохраняют за собой авторские права на работу и предоставляют журналу право первой публикации работы на условиях лицензии Creative Commons Attribution-NonCommercial. 4.0 International (CC BY-NC 4.0).
- Авторы сохраняют право заключать отдельные контрактные договоренности, касающиеся неэксклюзивного распространения версии работы в опубликованном здесь виде (например, размещение ее в институтском хранилище, публикацию в книге) со ссылкой на ее оригинальную публикацию в этом журнале.
- Авторы имеют право размещать их работу в интернете (например, в институтском хранилище или на персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу. (См. The Effect of Open Access).
Как цитировать
