
Implementa métodos de aprendizaje automático y profundo para la localización de interferidores UWB en interiores, incluyendo optimización de hiperparámetros, clasificación y regresión sobre conjuntos de datos del mundo real.
Este repositorio incluye el código y el enlace al conjunto de datos para el artículo
“Machine and Deep Learning for Indoor UWB Jammer Localization.”
Ejecute el proceso de optimización de hiperparámetros:
python hpo.py \
--task classification \
--mode actual \
--framework ml \
--config config.yaml \
--trials 50 \
--study-name my_study
main.py en el formato esperado.hpo.db de forma predeterminada.hpo.py mediante argparse. Consulte ese archivo para conocer las descripciones y las banderas adicionales.Para ejecutar la clasificación o la regresión en el conjunto de datos fuente y probarla en el conjunto de prueba, puede usar:
python main.py --config config.yaml
cfg.output.directory.outputs/simple_nn/).Los nombres de archivo de los métodos de alineación de dominios se corresponden directamente con sus respectivos nombres en la publicación.
Asegúrese de ajustar las rutas según la estructura de su proyecto en el archivo config.yaml.
Debido a las limitaciones de tamaño, los conjuntos de datos sin procesar no se incluyen en este repositorio.
Se pueden descargar desde .
Sin embargo, para facilitar la ejecución inmediata del código, se proporcionan dos archivos Parquet en este repositorio para los dominios fuente y destino. Los archivos comprimidos de arreglos NumPy (.npz), que contienen los datos para los modelos de alineación de dominios, se pueden acceder a través del enlace anterior.