Apprentissage machine pour la propagation troposphérique
Overview & Synopsis
Dans ce résumé, nous proposons une méthode pour simuler la propagation longue distance basée sur un réseau U-Net. Nous nous focalisons ici sur la prise en compte du relief, et l'obtention du champ sur une verticale à la hauteur de l'émetteur, mais le cadre se veut général. Le réseau est entrainé sur des données artificielles, construite par la méthode split-step wavelet. Les reliefs synthétiques associés sont générés de façon aléatoire à l'aide d'un hypercube latin. Pour l'entrainement, une fonction perte basée sur une combinaison linéaire de la norme L2 et L1 est utilisée de façon à obtenir un estimateur robuste. Enfin des tests sont effectués sur des données IGN pour montrer la précision de la méthode. De plus, une stratégie de réglage fin sur les derniers blocs du réseau permet de l'adapter à d'autres types de reliefs.
hal.science)
← / → for pages • + / - for zoom • 0 to fit width
Powered by Mozilla PDF.js v3.11
Document Information
| Document Title | Apprentissage machine pour la propagation troposphérique |
|---|---|
| Author / Organization | Thomas Bonnafont, Benjamin Chauvel, Abdelmalek Toumi |
| Subject & Discipline | Multidisciplinary Academic Open Research |
| Categories | Science & Mathematics |
| Publication Year | 2023 |
| License / Rights | Open Access / Creative Commons |
| Resource Verification | Listed PDF (Verification Pending) |
| Original Host Website |
HAL Open Science
(hal.science)
|
| File Format | application/pdf (Portable Document Format) |
| Language | EN |
| Catalog ID | DOC-257720 |
| Original Source Link | Visit Source Page on hal.science » |