Buchumschlag

A rapid approach to urban traffic noise mapping with a generative adversarial network

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yang, Xinhao, Han, Zhen, Lu, Xiaodong, Zhang, Yuan
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Applied Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Physics-informed network paradigm with data generation and background noise removal for diverse distributed acoustic sensing applications
von: Wan, Yangyang, et al.
Veröffentlicht: (2025)

A fast sound power prediction tool for genset noise using machine learning
von: Pargal, Saurabh, et al.
Veröffentlicht: (2025)

Training deep physical neural networks with local physical information bottleneck
von: Wang, Hao, et al.
Veröffentlicht: (2026)

Training all-mechanical neural networks for task learning through in situ backpropagation
von: Li, Shuaifeng, et al.
Veröffentlicht: (2024)

Acoustic Structure Inverse Design and Optimization Using Deep Learning
von: Sun, Xuecong, et al.
Veröffentlicht: (2021)

Machine Learning-Guided Design of Non-Reciprocal and Asymmetric Elastic Chiral Metamaterials
von: Yuan, Lingxiao, et al.
Veröffentlicht: (2024)

LEIA: Learned Environment for Interactive Architected Materials
von: Yang, Haiqian, et al.
Veröffentlicht: (2026)

Evaluation of machine learning techniques for conditional generative adversarial networks in inverse design
von: Gahlmann, Timo, et al.
Veröffentlicht: (2025)

A Physics-informed Deep Operator for Real-Time Freeway Traffic State Estimation
von: Yu, Hongxin, et al.
Veröffentlicht: (2025)

Mutual information maximizing quantum generative adversarial networks
von: Lee, Mingyu, et al.
Veröffentlicht: (2023)

Hybrid quantum cycle generative adversarial network for small molecule generation
von: Anoshin, Matvei, et al.
Veröffentlicht: (2023)

A bias field correction workflow based on generative adversarial network for abdominal cancers treated with 0.35T MR‐LINAC
von: Ching‐Ching Yang, et al.
Veröffentlicht: (2026)

Order parameters and phase transitions of continual learning in deep neural networks
von: Shan, Haozhe, et al.
Veröffentlicht: (2024)

Harnessing uncertainty when learning through Equilibrium Propagation in neural networks
von: Peters, Jonathan, et al.
Veröffentlicht: (2025)

Efficient Combinatorial Optimization via Heat Diffusion
von: Ma, Hengyuan, et al.
Veröffentlicht: (2024)

Physics-Informed Machine Learning for Efficient Reconfigurable Intelligent Surface Design
von: Zhang, Zhen, et al.
Veröffentlicht: (2025)

Bubble2Heat: Optical to Thermal Inference in Pool Boiling Using Physics-encoded Generative AI
von: Fu, Qianxi, et al.
Veröffentlicht: (2025)

Spintronic Bayesian Hardware Driven by Stochastic Magnetic Domain Wall Dynamics
von: Wang, Tianyi, et al.
Veröffentlicht: (2025)

The effect of dataset size and the process of big data mining for investigating solar-thermal desalination by using machine learning
von: Peng, Guilong, et al.
Veröffentlicht: (2023)

A Neural Network Transformer Model for Composite Microstructure Homogenization
von: Pitz, Emil, et al.
Veröffentlicht: (2023)

A Certifiable Machine Learning-Based Pipeline to Predict Fatigue Life of Aircraft Structures
von: Ladrón, Ángel, et al.
Veröffentlicht: (2025)

Defining Energy Indicators for Impact Identification on Aerospace Composites: A Physics-Informed Machine Learning Perspective
von: Marinho, Natália Ribeiro, et al.
Veröffentlicht: (2025)

A Novel Proposal in Wind Turbine Blade Failure Detection: An Integrated Approach to Energy Efficiency and Sustainability
von: Abarca-Albores, Jordan, et al.
Veröffentlicht: (2025)

Spectral Model eXplainer: a chemically-grounded explainability framework for spectral-based machine learning models
von: Ribeiro, Jose Vinicius, et al.
Veröffentlicht: (2026)

HARDCORE: H-field and power loss estimation for arbitrary waveforms with residual, dilated convolutional neural networks in ferrite cores
von: Kirchgässner, Wilhelm, et al.
Veröffentlicht: (2024)

MeshODENet: A Graph-Informed Neural Ordinary Differential Equation Neural Network for Simulating Mesh-Based Physical Systems
von: Liu, Kangzheng, et al.
Veröffentlicht: (2025)

Machine learning and atomic layer deposition: predicting saturation times from reactor growth profiles using artificial neural networks
von: Yanguas-Gil, Angel, et al.
Veröffentlicht: (2022)

Snapshot multi-spectral imaging through defocusing and a Fourier imager network
von: Yang, Xilin, et al.
Veröffentlicht: (2025)

Struc2mapGAN: improving synthetic cryo-EM density maps with generative adversarial networks
von: Zhang, Chenwei, et al.
Veröffentlicht: (2024)

Training of Physical Neural Networks
von: Momeni, Ali, et al.
Veröffentlicht: (2024)

PICTS: A Novel Deep Reinforcement Learning Approach for Dynamic P-I Control in Scanning Probe Microscopy
von: Wei, Ziwei, et al.
Veröffentlicht: (2025)

Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures
von: Bond, R. Bailey, et al.
Veröffentlicht: (2024)

Phononic materials with effectively scale-separated hierarchical features using interpretable machine learning
von: Bastawrous, Mary V., et al.
Veröffentlicht: (2024)

Machine Learning-Assisted Thermoelectric Cooling for On-Demand Multi-Hotspot Thermal Management
von: Luo, Jiajian, et al.
Veröffentlicht: (2024)

Constructing artificial life and materials scientists with accelerated AI using Deep AndersoNN
von: Dajani, Saleem Abdul Fattah Ahmed Al, et al.
Veröffentlicht: (2024)

Enhancing Multistep Prediction of Multivariate Market Indices Using Weighted Optical Reservoir Computing
von: Wang, Fang, et al.
Veröffentlicht: (2024)

Deep learning for the design of non-Hermitian topolectrical circuits
von: Chen, Xi, et al.
Veröffentlicht: (2024)

Empirical modeling and hybrid machine learning framework for nucleate pool boiling on microchannel structured surfaces
von: Kuberan, Vijay, et al.
Veröffentlicht: (2025)

Uncertainty Reasoning with Photonic Bayesian Machines
von: Brückerhoff-Plückelmann, F., et al.
Veröffentlicht: (2025)

PiGGO: Physics-Guided Learnable Graph Kalman Filters for Virtual Sensing of Nonlinear Dynamic Structures under Uncertainty
von: Haywood-Alexander, Marcus, et al.
Veröffentlicht: (2026)