[coding4dsp 0]

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? 

[Grizzly 0]

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.

[rkit 4]

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.

[FatRobot 4]

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

[petrov 7]

ИМХО в основном профанация это всё, как не покажут результаты - всё размазня какая-то без объективной оценки качества.

[Kluwer 0]

 

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)" :)

[repstosw 18]

 

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

 

 

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

Изменено 1 июня, 2019 пользователем repstosw

[DASM 0]

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

 

 

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

[repstosw 18]

On 6/17/2019 at 7:14 PM, DASM said:

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

НЕТ)))

[Doka 4]

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?...