MétaCan
Menu
Retour à la cohorte
Enregistrement W2103903472 · doi:10.1109/ccece.2007.195

Automated Identification of Clusters in UWB Channel Impulse Responses

2007· article· en· W2103903472 sur OpenAlexaff
James Chuang, Shahzad Bashir, David G. Michelson

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueUltra-Wideband Communications Technology
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésChannel (broadcasting)Computer scienceAlgorithmPower delay profileLogarithmMultipath propagationImpulse (physics)Identification (biology)Exponential decayUltra-widebandExponential functionImpulse responseWidebandCluster (spacecraft)Electronic engineeringDelay spreadMathematicsTelecommunicationsPhysicsEngineeringComputer network

Résumé

récupéré en direct d'OpenAlex

The tendency for the multipath components (MPCs) in wideband channel impulse responses (CIRs) to appear in clusters that are characterized by their own arrival and decay rates was first observed over twenty years ago by Saleh and Valenzuela. Cluster identification is thus an obvious and essential first step in the channel modeling process. However, despite the tremendous effort that has been applied to ultra wideband (UWB) channel modeling by groups such as IEEE 802.15.3a and 802.15.4a in recent years, clusters are still usually identified through time-consuming manual techniques that rely on subjective assessment by the analyst. This presents a significant limitation to development of channel models applicable to new environments. Our algorithm for automated identification of clusters in UWB CIRs seeks to overcome these limitations by making cluster identification less subjective and less time consuming. The starting point for the algorithm is expression of the UWB power delay profile (PDP) on a semi-logarithmic scale so that exponential decay profiles will be displayed as straight lines with constant slopes. After the most significant MPCs have been identified by searching for local maxima within the PDP, an iterative procedure is used to determine the combination of straight lines that best fit these MPCs and thereby not exceed a threshold for RMS error. The number of clusters that are required is defined by number of straight lines while the slopes of the lines define the cluster decay rate. By assuming that incrementing the number of clusters used to represent a CIR will always involve subdividing an existing cluster, we reduce the number of combinations dramatically (and make the algorithm tractable). Cluster identification trials conducted using UWB CIRs generated using a simulation code developed by the IEEE 802.15.4a channel modeling committee have confirmed the validity of our approach.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,002

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,256
Écart entre enseignants0,246 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetUltra-Wideband Communications TechnologyTravaux en français237 207