163 Arbeiten
Diese Studie zeigt anhand realer 5G-NR-Messdaten, dass eine standortspezifische Feinabstimmung neuronaler Empfänger die Fehlerrate signifikant senkt und diese Verbesserungen zudem auf verschiedene Hardware und Szenarien übertragbar sind.
Dieses Paper stellt den nicht-iterativen, optimalen verteilten Multichannel-Wiener-Filter (dMWF) für drahtlose akustische Sensornetzwerke vor, der die Leistung eines zentralen Systems erreicht, ohne die Kommunikationsbandbreite zu überlasten und auch dann funktioniert, wenn Knoten unterschiedliche Quellensets beobachten, wodurch er den iterativen DANSE-Algorithmus in Bezug auf Geschwindigkeit und Effizienz übertrifft.
Dieser technische Bericht stellt eine neue, rein auf der NI-Methode basierende Strategie vor, um für trigonometrische Modelle mit unregelmäßig abgetasteten Daten und starken Störungen hochwertige Anfangswerte zu schätzen, die eine effiziente Konvergenz zum globalen Minimum auch bei sehr geringem Signal-Rausch-Verhältnis ermöglichen.
Diese Studie zeigt, dass ein kostengünstiges FMCW-MIMO-Radar zwar robuste Durchschnittswerte für Atem- und Herzfrequenz liefert, jedoch aufgrund von Multipath-Effekten und Signal-Rausch-Verhältnissen bei variablen Entfernungen und für hochauflösende Beat-to-Beat-Messungen nur eingeschränkte Genauigkeit bietet.
Diese Arbeit stellt eine hybride, modellgestützte Methode zur Vorhersage von Pfadverlusten in suburbanen Umgebungen vor, die durch eine umweltadaptive Kompensation des CI-Modells und die Analyse von Umgebungsbildern eine Test-Root-Mean-Square-Fehler von 4,04 dB auf den Messdaten von Pingtan Island erreicht.
Dieser Beitrag stellt einen adaptiven Near-Field-Beam-Training-Rahmen auf Basis linearer Banditen und Thompson Sampling vor, der durch die Nutzung von räumlichen Korrelationen und verschiedenen Suchstrategien die Piloten-Overhead um bis zu 90 % reduziert und gleichzeitig die SNR-Leistung in Mehrwegeumgebungen signifikant verbessert.
Diese Arbeit stellt einen in 28-nm-CMOS-Technologie gefertigten, extrem energieeffizienten analoge Spiking-Neuronen mit einem Verbrauch von 1,6 fJ pro Spike vor, der als Kernkomponente für einen neuromorphen System-on-Chip dient und in einem quantisierten Spiking-Neuronalen Netzwerk eine MNIST-Genauigkeit von 82,5 % erreicht.
Diese Arbeit stellt einen neuartigen Kanal-Schätzer auf Basis von generativen Diffusionsmodellen vor, der hochdimensionale MIMO-Kanäle mit hoher Genauigkeit und geringerer Latenz rekonstruiert, dabei den Pilot-Overhead halbiert und durch die Integration von Stein's Unbiased Risk Estimator ohne Ground-Truth-Daten auskommt.
Diese Arbeit schlägt Optimierungs- und Deep-Reinforcement-Learning-Methoden vor, um in Rayleigh-Block-Fading-Kanälen eine positive Übertragungsrate für schlüssellose verdeckte Kommunikation zu erreichen, indem sie sowohl nicht-kausale als auch kausale Kanalzustandsinformationen (CSI) für die Leistungs- und Ratenzuweisung nutzt.
Die Arbeit stellt NANOMIND vor, ein Hardware-Software-Co-Design-Framework, das durch modulare Zerlegung und dynamisches Offloading von Large Multimodal Models auf heterogene Beschleuniger in SoCs die Energieeffizienz und den Durchsatz auf batteriebetriebenen Kleingeräten signifikant verbessert und es ermöglicht, komplexe Modelle wie LLaVA-OneVision über 20 Stunden ohne Netzverbindung lokal auszuführen.
Dieser Tutorial-Artikel führt das Konzept generalisierter Pinching-Antennen-Systeme ein, die durch dynamische Anpassung der Strahlungselemente entlang verschiedener Wellenleitermedien eine beispiellose räumliche Flexibilität bieten, und behandelt deren physikalische Mechanismen, Kanalmodelle, Systemarchitekturen, Integrationsstrategien mit zukünftigen Technologien sowie offene Forschungsfragen für den Einsatz in zukünftigen drahtlosen Netzen.
Die vorgestellte Arbeit stellt AirCNN vor, ein neuartiges Paradigma zur Implementierung von Convolutional Neural Networks über analoge Funkübertragung mittels rekonfigurierbarer intelligenter Oberflächen (RIS), das durch optimierte Sende- und Empfangsarchitekturen sowie die Nutzung mehrerer RISs eine effektive Emulation von CNN-Schichten und hohe Klassifizierungsleistung ermöglicht.
Der vorgestellte Ansatz verbessert die Few-Shot-Fehlerdiagnose in industriellen Maschinen durch einen bidirektionalen Digital-Twin-Prototypen-Anker mit Multi-Periodizitäts-Lernen, der Meta-Training im virtuellen Raum und Testzeit-Anpassung im physikalischen Raum kombiniert, um auch bei extrem wenigen gelabelten Daten robuste Diagnosen zu ermöglichen.
Diese Studie stellt ein automatisiertes System zur Segmentierung und Klassifizierung von Darmgeräuschen vor, das mithilfe eines tragbaren Sensors und eines Audio-Spektrogramm-Transformers eine objektive, quantitative Analyse ermöglicht und die manuelle Markierungszeit um etwa 70 % reduziert.
Diese Studie stellt eine hardware-effiziente und erklärbare Störungserkennung für 5G-Netze vor, die auf dem Convolutional Tsetlin Machine (CTM) basiert und im Vergleich zu herkömmlichen neuronalen Netzen eine deutlich geringere Speichernutzung sowie schnellere Trainingszeiten bei vergleichbarer Genauigkeit auf realen SSB-Daten bietet.
Diese Arbeit stellt einen leichten, auf digitalen Zwillingen basierenden Rahmen für die Fahrzeugverfolgung und Kollisionsvorhersage vor, der ohne komplexe Trajektorienvorhersagemodelle auskommt und sich durch geringen Rechenaufwand für den Echtzeit-Einsatz an Edge-Geräten in intelligenten Verkehrssystemen eignet.
Diese Studie stellt ein interpretierbares 3D-Concept-Bottleneck-Modell vor, das morphologische und hämodynamische klinische Merkmale integriert, um intrakranielle Aneurysmen mit hoher Genauigkeit und ohne Kompromisse bei der klinischen Transparenz zu klassifizieren.
Die Arbeit stellt MetaSort vor, einen neuartigen Algorithmus, der durch die Kombination einer adaptiven Level-Crossing-Komprimierung und metatransferlernbasierter geometrischer Merkmalsrepräsentation sowohl eine hocheffiziente Kompression als auch eine robuste Few-Shot-Klassifizierung von neuronalen Spike-Wellenformen ermöglicht.
Diese Arbeit stellt zwei neuartige, datenunabhängige evolutionäre Frameworks vor, die auf dem kontinuierlichen Kugelwellenmodell basieren, um die Lokalisierung mehrerer Quellen im Nahfeld bei beliebigen Array-Geometrien ohne diskretisierte Gitter oder überwachtes Lernen zu ermöglichen.
Diese Arbeit stellt eine neuartige, gekrümmte Monopolantenne für HF-Radar vor, die durch optimierte Krümmung und einen geraden Abschnitt im Vergleich zu konventionellen Designs eine signifikant verbesserte Bandbreite und einen um 24 % gesteigerten Gewinn in einem 12-Element-Array für Überhorizont-Radaroperationen erreicht.