A Novel Outlier Immune Multipath Fingerprinting Model for Indoor Single-Site Localization
Notice bibliographique
Résumé
Multipath fingerprinting is a promising indoor location technique, which contains abundant position features of the received array signals. Effectively representing the position information is one critical issue in fingerprinting localization. Meanwhile, positional accuracy is prone to reduction caused by abnormal measurement readings, which are referred to as outliers, and it has received a little attention in the existing literature. A multipath fingerprinting model for indoor single-site localization is proposed. In this model, the location fingerprint is composed of the spatial-temporal covariance matrix of the multipath signals received by the base station antenna array. The low-dimensional linear subspace of the location fingerprinting is introduced as feature descriptors. Based on the fact that the Grassmann manifold maintains the orthogonality of the linear subspace, the Binet-Cauchy kernel is employed to map the multipath fingerprinting to a higher dimensional reproducing kernel Hilbert space. The Euclidean distance of the nearest point between multipath fingerprinting affine hulls is adopted to represent the similarity of the position. Moreover, an augmented Lagrangian and alternating direction solution is given to remove the influence of outliers. We extensively evaluated the proposed method with the indoor multi-scenario benchmark data set. All the results demonstrate that the location accuracy of the proposed positioning model outperforms the existing method in an indoor environment. As the proportion of outliers increases, the positional accuracy loss of the proposed model is negligible.
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 ».