HEROS-GAN: Honed-Energy Regularized and Optimal Supervised GAN for Enhancing Accuracy and Range of Low-Cost Accelerometers
作者: Yifeng Wang, Yi Zhao
发布时间: 2025-02-27
来源: arxiv
研究方向: 低成本加速度计信号增强与提升
主要内容
该论文针对低成本加速度计在精度和量程方面的限制，提出了一种名为HEROS-GAN的生成对抗网络（GAN）模型。该模型通过将低成本传感器信号转换为高成本等效信号，从而克服了低成本加速度计的精度和量程限制。
主要贡献
1. 首次利用深度学习算法扩展加速度计的量程，并将生成式深度学习方法引入加速度计信号处理。
2. 针对未配对数据缺乏监督的问题，设计了一种最优传输监督（OTS）机制，以探索未配对数据中的潜在相关性，为模型提供尽可能多的监督信息。
3. 设计了一种调制拉普拉斯能量（MLE），引导模型生成更合理的局部变化，从而丰富生成的信号细节并突破量程限制。
4. 发布了第一个加速度计信号增强数据集（LASED），该数据集包含数万个样本，旨在提高加速度计的精度和量程，并已在GitHub上发布。
研究方法
1. 利用CycleGAN作为基线构建未配对信号之间的映射。
2. 设计了一种最优传输监督（OTS）机制，以探索未配对数据中的潜在相关性。
3. 设计了一种调制拉普拉斯能量（MLE），以引导模型生成更合理的局部变化。
4. 建立了低成本加速度计信号增强数据集（LASED）。
实验结果
实验结果表明，将GAN与OTS或MLE单独结合可以超越现有的信号增强SOTA方法一个数量级。将OTS和MLE结合，HEROS-GAN实现了显著的结果，将加速度计的量程加倍，同时将信号噪声降低两个数量级，在加速度计信号处理中建立了基准。
未来工作
未来可以进一步研究如何将HEROS-GAN应用于其他类型的传感器信号增强，并探索更多基于深度学习的信号处理方法。