Indoor Fingerprinting Geolocation using Wavelet-Based Features Extracted from the Channel Impulse Response in Conjunction with an Artificial Neural Network
Notice bibliographique
Résumé
This paper proposes a method to localize a mobile station in an indoor environment using wavelet- based features (WBF) extracted from the channel impulse response (CIR) in conjunction with an artificial neural network (ANN). The proposed localization system makes use of the fingerprinting technique and employs CIR information as the signature and an artificial neural network as the pattern matching algorithm. For the considered indoor environment, the obtained CIR information can not be applied directly to the input of the ANN due to the high number of the CIR samples since an ANN with a high number of inputs requires a high number of learning patterns during its training. Consequently, relevant features reflecting the CIR signature have to be extracted and then applied to the ANN. The relevant features may be some physical channel parameters or a compressed version of the CIR signature. In this paper, the extraction of the CIR features is done using a wavelet-based compression. The particularity of the method is in the representation of the CIR signature in a judicious way facilitating the design of the ANN. Moreover, when the extracted features correspond to the CIR signature, the localization system tends to give mobile location with a high precision. Simulation of measured CIR in an indoor environment, showed a precision of 2 meters for 91% and 70% of trained and untrained data, respectively.
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 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 | 0,001 | 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».