MétaCan
Menu
Retour à la cohorte
Enregistrement W2744480499 · doi:10.1109/ict.2017.7998234

RSS based localization by using lognormal mixture shadowing model

2017· article· en· W2744480499 sur OpenAlexaff
Saliha Büyükçorak, Güneş Karabulut Kurt, Abbas Yongaçoğlu

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueIndoor and Outdoor Localization Technologies
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésRSSLog-normal distributionEstimatorComputer scienceShadow mappingMaximum likelihoodMixture modelAlgorithmArtificial intelligenceMathematicsStatistics

Résumé

récupéré en direct d'OpenAlex

Performance of received signal strength (RSS) based localization techniques are directly related to the employed RSS model. Hence, localization performance can be enhanced by improving the accuracy of the RSS model. Lognormal mixture shadowing model for wireless channels, generated by taking distinct scattering clusters into account, characterizes RSS variable more accurately than classical lognormal shadowing model. In this paper, lognormal mixture is applied to localization techniques by means of the derived maximum likelihood estimator. Through simulations performed making use of an exemplary microcellular network structure, it is demonstrated that the mixture model significantly increases the performance of RSS based localization systems compared to the classical model.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,982
Score d'incertitude au seuil0,521

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,235
Écart entre enseignants0,219 · 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 tête enseignante, 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
GenreEmpirique

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

En bref

Citations5
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetIndoor and Outdoor Localization TechnologiesTravaux en français237 207