Jammer-Loc

Questo repository include il codice e il link al dataset per l'articolo
“Machine and Deep Learning for Indoor UWB Jammer Localization.”

Esempio di Utilizzo

Esegui il processo di ottimizzazione degli iperparametri:

python hpo.py \
  --task classification \
  --mode actual \
  --framework ml \
  --config config.yaml \
  --trials 50 \
  --study-name my_study

1. I modelli e le metriche devono essere salvati da main.py nel formato atteso.
2. I risultati di Optuna vengono salvati in hpo.db per impostazione predefinita.
3. Tutte le opzioni da riga di comando sono definite in hpo.py tramite argparse. Fare riferimento a quel file per descrizioni e flag aggiuntivi.

Classificazione e Regressione sui Dati di Origine e Test sul Test Set

Per eseguire la classificazione o la regressione sul dataset di origine e testarla sul test set, puoi usare:

python main.py --config config.yaml

1. Gli output e le metriche verranno salvati nella directory definita da cfg.output.directory.
2. Tutti i checkpoint dei modelli e le metriche verranno salvati per modello (ad es., outputs/simple_nn/).
3. In caso di errore in fase di esecuzione, verranno registrate informazioni di logging dettagliate — inclusi messaggi di errore strutturati e stack trace — per facilitare il debug sistematico e l'analisi della causa principale.

Allineamento del Dominio

I nomi dei file per i metodi di allineamento del dominio corrispondono direttamente ai rispettivi nomi nella pubblicazione.

Configurazione dei Percorsi

Assicurati di regolare i percorsi in base alla struttura del tuo progetto nel file config.yaml.

Dataset

A causa di vincoli di dimensione, i dataset grezzi non sono inclusi in questo repository.
Possono essere scaricati da .

Tuttavia, per facilitare l'esecuzione immediata del codice, in questo repository sono forniti due file Parquet per i domini di origine e destinazione. I file compressi di array NumPy (.npz), contenenti i dati per i modelli di allineamento del dominio, possono essere scaricati tramite il link sopra.