A ML-Based Framework for Joint TOA/AOA Estimation of UWB Pulses in Dense Multipath Environments
Notice bibliographique
Résumé
We present a joint estimator of the time of arrival (TOA) and angle of arrival (AOA) for impulse radio ultrawideband (UWB) systems in which an antenna array is employed at the receiver. The proposed method consists of two steps: 1) preliminary estimation of the TOA and the average power delay profile (APDP) using energy-based threshold crossing and log-domain least-squares fitting, respectively; and 2) joint TOA refinement and AOA estimation by local 2-D maximization of a log-likelihood function (LLF) that employs the preliminary estimates from the first step. The derivation of the LLF relies on an original formulation in which the superposition of images from secondary paths is modeled as a Gaussian random process, whose second-order statistical properties are characterized by a wideband space-time correlation function. In addition to the APDP, this function incorporates a special gating mechanism to represent the onset of the secondary paths, thereby leading to a novel form of the LLF. Closed-form expressions for the Cramer-Rao bound on the variance of the TOA and AOA estimators are also derived, which formally take into account pulse overlap through this gating mechanism. In simulation experiments based on multipath UWB channel models featuring both diffuse and directional image fields, our approach exhibits superior performance to that of a competing scheme from the recent literature.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».