Jump to content

    
Sign in to follow this  
coding4dsp

Машин лернинг и DSP

Recommended Posts

Сумбурно...

Наткнулся на сайт https://www.deepsig.io/. Стартап, который разрабатывает "принципиально" новые беспроводные решения. Есть два решения: анализатор спектра и что-то непонятное под название OmniPHY. Я уже видел статьи, где машин лернинг используется для классификации и обнаружения радиосигналов. А вот с brandNew Machine Learning беспроводными системами я не сталкивался.

Вот вроде бы есть оптимальные метода приема, эквалайзеры, вариации каналов и пр, которые активно обсуждаются на форуме. Неужели нейронные сети действительно хорошо справятся не только с задачами классификации, но и приема? Надо ли переучиваться на Machine Learning?

Кто-то есть в теме данного направления? 

Share this post


Link to post
Share on other sites

Оптимальные методы приема оптимальны в условиях определенных ограничений. Скажем, в канале АБГШ, рэлеевском канале, при такой-то стационарности помехи и т.д. Понятно, что в тех же условиях машинное обучение не даст лучшего результата (вероятность различных ошибок). Однако можно выиграть в вычислительных затратах при небольшом проигрыше в перформансе.

На практике же мы имеем дело с более сложной обстановкой, в которой далеко не все стационарно, вносятся дополнительные составляющие как, например, фазовый шум и т.д. и т.п. В таких условиях машинное обучение вполне может быть лучше известных методов, которые не учитывают эти вещи. Возможно, что вывести оптимальные алгоритмы практически невозможно или они окажутся невозможными к использованию в real-time.

К публикациям надо относиться очень внимательно. Часто встречаются работы, где, скажем, улучшили вероятность обнаружения, но при этом не исследовали, что выросла на порядки вероятность ложной тревоги.

С удовольствием выслышаю другие мнения.

Share this post


Link to post
Share on other sites

Они говорят про оптимизацию условий передачи, т.е. фактически скачки с частоты на частоту и выбор чего получше. Машинное обучение это оно и есть: по сути, статистика, покрытая потугами оптимизировать алгоритмы и формат входных данных, чтобы статистика лучше работала. Скорее всего, там всё то же самое, что и в любом другом решении, предлагающем такое, но без модного названия.

Share this post


Link to post
Share on other sites

сейчас много работ, связанных с оптимизацией для mimo и mu-mimo средствами машинного обучения.

также в сетевых методах типа CoMP или NAICS есть место для машинного обучения

Share this post


Link to post
Share on other sites

 

On 3/26/2019 at 4:43 PM, coding4dsp said:

Вот вроде бы есть оптимальные метода приема, эквалайзеры, вариации каналов и пр, которые активно обсуждаются на форуме. Неужели нейронные сети действительно хорошо справятся не только с задачами классификации, но и приема? Надо ли переучиваться на Machine Learning?

Что значит "переучиваться"? Знания никакие лишние не бывают. Иметь представление, безусловно, нужно. Какие-то задачи эти "сеточки" всё ж таки криво-коряво, но решают. Они осмысленны там, где задача ну практически никакой формализации не поддаётся. Как раз яркие примеры - это распознование изображений, звука и т.д.

Как только задача допускает такую формализацию и, тем более, позволяет получить более-менее вменяемое решение (пусть и в квадратурах, например), то все ваши эти "диииип лёнинги" и прочие игрушки сразу пролетают. А к таким задачам как раз и относятся задачи радиолокации, гидроакустики и цифровой связи.

Уже, можно сказать, ставший классическим пример. Одна из крупных конференций по этим делам в РФ. Секция радиолокации. В радиолокации, благодаря бурному развитию оной в 50-60-х с привлечением туда в т.ч. крупных математиков и базируясь на ранее не плохо развитой теории веороятности и статистики, удалось получить математические решение во многих практически интересных задачах. Но каждый год на эту конференцию обязательно приезжают пару-тройку восторженных мальчиков, к-рые рассказывают как они тут успешно применили очередную нейронную сеточку для обнаружения сигнала. И каждый такой докладик заканчивается саркастическим вопросом из зала типа: "ну и что ваша сетка показала? То, что в той ж ситуации, где МАП-обнаружителю нужно ОСШ столько-то Дб, вашей сетке нужно на 15дБ больше? (дружный хохот в зале)" :)

Share this post


Link to post
Share on other sites

 

On 3/27/2019 at 12:43 AM, coding4dsp said:

Сумбурно...

Наткнулся на сайт https://www.deepsig.io/. Стартап, который разрабатывает "принципиально" новые беспроводные решения. Есть два решения: анализатор спектра и что-то непонятное под название OmniPHY. Я уже видел статьи, где машин лернинг используется для классификации и обнаружения радиосигналов. А вот с brandNew Machine Learning беспроводными системами я не сталкивался.

Вот вроде бы есть оптимальные метода приема, эквалайзеры, вариации каналов и пр, которые активно обсуждаются на форуме. Неужели нейронные сети действительно хорошо справятся не только с задачами классификации, но и приема? Надо ли переучиваться на Machine Learning?

Кто-то есть в теме данного направления? 

 

Ну я когда-то писал свой векторный квантователь для составления кодовой таблицы вокодера MELP*** на STM32F405. Да, был Machine Learning по надиктованным словам, предложениям.  Всё реально... Нейросети - рулят!

 

Вот посмотрите пример того, как нейросети могут генерировать изображения к примеру:

 

Spoiler

dog.jpg.f93c9324c306437194ea79b732cdacf8.jpg

 

 

Есть более жуткие примеры того, что способны нагенерить нейро-сети ))

Edited by __inline__

Share this post


Link to post
Share on other sites
On 6/1/2019 at 10:14 AM, __inline__ said:

 

 

Ну я когда-то писал свой векторный квантователь для составления кодовой таблицы вокодера MELP*** на STM32F405. Да, был Machine Learning по надиктованным словам, предложениям.  Всё реально... Нейросети - рулят!

 

Вот посмотрите пример того, как нейросети могут генерировать изображения к примеру:

 

  Hide contents

dog.jpg.f93c9324c306437194ea79b732cdacf8.jpg

 

 

Есть более жуткие примеры того, что способны нагенерить нейро-сети ))

K210 уже купили? https://ru.aliexpress.com/item/MAIX-Dock-K210-AI/33035577875.html?spm=a2g0v.search0604.3.56.1ed859a7D0kE43&transAbTest=ae803_3&ws_ab_test=searchweb0_0%2Csearchweb201602_1_10065_10068_319_317_10696_453_10084_454_10083_10618_10307_10301_537_536_10059_10884_10887_321_322_10915_10103_10914_10911_10910%2Csearchweb201603_52%2CppcSwitch_0&algo_pvid=e991884d-45c9-4d5b-a4d6-996901d00ac6&algo_expid=e991884d-45c9-4d5b-a4d6-996901d00ac6-8

Share this post


Link to post
Share on other sites

Наткнулся на вот такое репо: https://github.com/Xilinx/RFNoC-HLS-NeuralNet

с описанием: Designed primarily for RF processing research and development though the HLS neural network library

увы, примеры там - только проектов, а не кейсов использования, но задумался - может Hawkeye 360 (http://www.he360.com/) знают что-то такое, чего пока не знаем мы?...

 

Share this post


Link to post
Share on other sites

Join the conversation

You can post now and register later. If you have an account, sign in now to post with your account.

Guest
Reply to this topic...

×   Pasted as rich text.   Paste as plain text instead

  Only 75 emoji are allowed.

×   Your link has been automatically embedded.   Display as a link instead

×   Your previous content has been restored.   Clear editor

×   You cannot paste images directly. Upload or insert images from URL.

Sign in to follow this