MétaCan
Menu
Retour à la cohorte
Enregistrement W2891270324 · doi:10.5539/cis.v11n4p1

3D Localization Algorithm Based on Linear Regression and Least Squares in NLOS Environments

2018· article· en· W2891270324 sur OpenAlexvenueno aff
Jiang Li, Lei Zhang

Notice bibliographique

RevueComputer and Information Science · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueIndoor and Outdoor Localization Technologies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNon-line-of-sight propagationComputer scienceAlgorithmBase stationTerminal (telecommunication)Linear regressionProperty (philosophy)Time of arrivalMean squared errorStatisticsMathematicsTelecommunicationsWirelessMachine learning

Résumé

récupéré en direct d'OpenAlex

Based on the positive bias property of the time of arrival(TOA) measurement error caused by the non-line-of-sight(NLOS) propagation, a simple and effective three dimensional(3D) geometrical localization algorithm was proposed, the algorithm needs no prior knowledge of time delay distribution of TOA, and only linear regression was used to estimate the parameters of the relationship between the NLOS distance error and the true distance, thus, the approximate real distance between mobile terminal (MT) and base station (BS) was reduced, then, the 3D geometric localization of mobile terminal was carried out by the least square method. The experimental results shows the effectiveness of the algorithm, and the positional accuracy is far higher than the required accuracy by E-911 in NLOS environments.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,973
Score d'incertitude au seuil0,236

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 savante0,0000,001
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 Opus0,006
Tête enseignante GPT0,212
Écart entre enseignants0,206 · 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

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueComputer and Information ScienceMême sujetIndoor and Outdoor Localization TechnologiesTravaux en français237 207