Alleviating Sensor Position Error in Source Localization Using Calibration Emitters at Inaccurate Locations
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
<para xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> A previous study shows that the use of a calibration emitter whose position is known exactly can significantly reduce the loss in time differences of arrival (TDOA) based source localization accuracy when the available sensor positions have random errors. This paper extends the previous work to a more practical scenario where the exact position of a calibration emitter is not known. By modeling the calibration position error as additive Gaussian noise, the amount of reduction in localization accuracy due to calibration position error is derived through CramÉr–Rao lower bound (CRLB) analysis. In addition, the analysis also affirms the previous studies on Bayesian sensor network localization that it remains possible to improve the localization accuracy even if the calibration position is completely unknown. Next, a performance analysis illustrates that the penalty could be very high if one simply pretends the calibration position is accurate and ignores its error. A closed-form solution is then developed by accounting for the calibration position error and it is proved analytically to reach the CRLB accuracy when the sensor and calibration position errors are small relative to the distance between the calibration emitter and the sensor. Finally, the results are generalized to the case where multiple calibration emitters are available. When deploying multiple calibration emitters, although their positions may not be known exactly, we show that it is possible to completely eliminate the sensor position error and recover the best localization accuracy that is limited by the measurement noise in TDOAs only. All the theoretical developments are corroborated by simulations. </para>
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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