Jammer-Loc

Este repositório inclui o código e o Link do Conjunto de Dados para o artigo
“Machine and Deep Learning for Indoor UWB Jammer Localization.”

Exemplo de Uso

Execute o processo de otimização de hiperparâmetros:

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

1. Os modelos e as métricas devem ser salvos pelo main.py no formato esperado.
2. Os resultados do Optuna são salvos em hpo.db por padrão.
3. Todas as opções de linha de comando são definidas em hpo.py usando argparse. Consulte esse arquivo para obter descrições e flags adicionais.

Classificação e Regressão na Fonte e Teste no Conjunto de Teste

Para executar a classificação ou regressão no conjunto de dados de origem e testá-lo no conjunto de teste, você pode usar:

python main.py --config config.yaml

1. As saídas e as métricas serão salvas no diretório definido por cfg.output.directory.
2. Todos os checkpoints e métricas dos modelos serão salvos por modelo (ex.: outputs/simple_nn/).
3. Em caso de falha em tempo de execução, informações de log detalhadas — incluindo mensagens de erro estruturadas e stack traces — serão registradas para facilitar a depuração sistemática e a análise de causa raiz.

Alinhamento de Domínio

Os nomes de arquivo dos métodos de alinhamento de domínio correspondem diretamente aos respectivos nomes na publicação.

Configuração de Caminhos

Certifique-se de ajustar os caminhos de acordo com a estrutura do seu projeto no arquivo config.yaml.

Conjuntos de Dados

Devido a restrições de tamanho, os conjuntos de dados brutos não estão incluídos neste repositório.
Eles podem ser baixados de .

No entanto, para facilitar a execução imediata do código, dois arquivos Parquet são fornecidos neste repositório para os domínios de origem e destino. Os arquivos compactados de arrays NumPy (.npz), contendo os dados para os modelos de alinhamento de domínio, podem ser acessados pelo link acima.