
Implementiert Methoden des maschinellen Lernens und des Deep Learning zur Lokalisierung von UWB-Störsendern in Innenräumen, einschließlich Hyperparameter-Optimierung, Klassifikation und Regression auf realen Datensätzen.
Dieses Repository enthält den Code und den Datensatz-Link für das Paper
„Machine and Deep Learning for Indoor UWB Jammer Localization.”
Führen Sie den Hyperparameter-Optimierungsprozess aus:
python hpo.py \
--task classification \
--mode actual \
--framework ml \
--config config.yaml \
--trials 50 \
--study-name my_study
main.py im erwarteten Format gespeichert werden.hpo.db gespeichert.hpo.py mit argparse definiert. Siehe diese Datei für Beschreibungen und zusätzliche Flags.Um eine Klassifikation oder Regression auf dem Quelldatensatz durchzuführen und sie auf dem Testsatz zu testen, können Sie Folgendes verwenden:
python main.py --config config.yaml
cfg.output.directory definierten Verzeichnis gespeichert.outputs/simple_nn/).Die Dateinamen für die Domänenausrichtungsmethoden entsprechen direkt den jeweiligen Namen in der Publikation.
Stellen Sie sicher, dass Sie die Pfade entsprechend Ihrer Projektstruktur in der Datei config.yaml anpassen.
Aufgrund von Größenbeschränkungen sind die Rohdatensätze nicht in diesem Repository enthalten.
Sie können von folgendem Link heruntergeladen werden: .
Um jedoch eine sofortige Codeausführung zu ermöglichen, werden in diesem Repository zwei Parquet-Dateien für die Quell- und Zieldomäne bereitgestellt. Die komprimierten NumPy-Array-Dateien (.npz), die die Daten für die Domänenausrichtungsmodelle enthalten, können über den obigen Link abgerufen werden.