Jammer-Loc

Этот репозиторий содержит код и ссылку на набор данных для статьи
«Машинное и глубокое обучение для локализации UWB-глушителей в помещениях».

Пример использования

Запустите процесс оптимизации гиперпараметров:

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

1. Модели и метрики должны сохраняться main.py в ожидаемом формате.
2. Результаты Optuna по умолчанию сохраняются в hpo.db.
3. Все параметры командной строки определены в hpo.py с помощью argparse. Описания и дополнительные флаги см. в этом файле.

Классификация и регрессия на исходном наборе данных и тестирование на тестовом наборе

Чтобы запустить классификацию или регрессию на исходном наборе данных и проверить её на тестовом наборе, используйте:

python main.py --config config.yaml

1. Результаты и метрики будут сохранены в каталог, заданный параметром cfg.output.directory.
2. Все контрольные точки моделей и метрики будут сохраняться отдельно для каждой модели (например, outputs/simple_nn/).
3. В случае ошибки выполнения будет записана подробная информация журнала — включая структурированные сообщения об ошибках и трассировки стека — для облегчения систематической отладки и анализа первопричин.

Выравнивание доменов

Имена файлов методов выравнивания доменов напрямую соответствуют их названиям в публикации.

Настройка путей

Убедитесь, что вы скорректировали пути в файле config.yaml в соответствии со структурой вашего проекта.

Наборы данных

Из-за ограничений по размеру исходные наборы данных не включены в этот репозиторий.
Их можно загрузить по ссылке .

Однако для немедленного запуска кода в этом репозитории предоставлены два файла Parquet для исходного и целевого доменов. Сжатые файлы массивов NumPy (.npz), содержащие данные для моделей выравнивания доменов, доступны по указанной выше ссылке.