Near-optimal range and depth estimation using a vertical array in a correlated multipath environment
Notice bibliographique
Résumé
This paper proposes a near-optimal procedure to localize a single stationary source in a two-path underwater acoustic environment. The investigation is for an M-element vertical array with omnidirectional sensors. The range and depth estimators are developed using a linear least-squares technique when a set of auto- and cross-correlators is used for time difference of arrival (TDOA) estimates. A weighting matrix is derived to achieve the approximate maximum likelihood (ML) performance of the weighted least-squares range and depth estimators. The expressions for error variances and covariances of the range and depth estimates are derived with a small error analysis technique. It is verified analytically that the error covariance matrix of the weighted least-squares solutions reaches the Cramer-Rao lower bound in the small error region. The correlation of the range and depth estimation errors is investigated. Results show that the range and depth estimation errors are highly correlated in a multipath environment. The accuracy properties of the proposed multipath localization procedure are analyzed using different array configurations. The results show that the performances of the range and depth estimators are significantly improved if the linear-dependent TDOA estimates are included for localizing and that the unweighted range and depth estimators, using the entire set of TDOAs, are approximately optimal for most of the applications. The theoretical development of error variance and covariance expressions of the range and depth estimates, which incorporates the correlation in the TDOA estimates, is corroborated with Monte Carlo simulations.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».