Multiple-symbol differential decision fusion for mobile wireless sensor networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We consider the problem of decision fusion in mobile wireless sensor networks where the channels between the sensors and the fusion center are time-varying. We assume that the sensors make independent local decisions on the M hypotheses under test and report these decisions to the fusion center using differential phase-shift keying (DPSK), so as to avoid the channel estimation overhead entailed by coherent decision fusion. For this setup we derive the optimal and three low-complexity, suboptimal fusion rules which do not require knowledge of the instantaneous fading gains. The suboptimal fusion rules are obtained by applying certain approximations to the optimal fusion rule and are referred to as Chair-Varshney (CV), ideal local sensors (ILS), and max-log fusion rules. Since all proposed fusion rules exploit an observation window of at least two symbol intervals, we refer to them collectively as multiple-symbol differential (MSD) fusion rules. For binary hypothesis testing, we derive performance bounds for the optimal fusion rule and exact or approximate analytical expressions for the probabilities of false alarm and detection for all three suboptimal fusion rules. Simulation and analytical results show that whereas the CV and ILS fusion rules approach the performance of the optimal fusion rule for high and low channel signal-to-noise ratios (SNRs), respectively, the max-log fusion rule performs close-to-optimal for the entire range of SNRs. Furthermore, in fast fading channels significant performance gains can be achieved for the considered MSD fusion rules by increasing the observation window to more than two symbol intervals.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle