A Framework of Multipath Clustering Based on Space-Transformed Fuzzy<i>c</i>-Means and Data Fusion for Radio Channel Modeling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In the radio channels of cellular networks, signals generally propagate through multiple paths in scattering environments. Multipath Components (MPCs) are shown to be distributed in different groups, known as clusters, in Channel Impulse Responses (CIRs). Clustering MPCs is a critical step in channel measurement and modeling. Many clustering algorithms have been proposed but few of them are able to handle noise effectively. In this paper, we propose a de-noising MPC-clustering framework based on a new Space-Transformed Fuzzy c-Means (ST-FCM) algorithm and the fusion of channel measurement snapshots. ST-FCM solves the issue that the Multipath Component Distance that quantifies the similarity among MPCs cannot be adopted in the conventional FCM algorithm. Then we apply the Dempster-Shafer evidence theory to fuse the clustering results of multiple snapshots, which can detect and remove noise by making a full use of all the measurement data. Furthermore, we design a censoring process for hard partition and a validation process to determine the optimal number of clusters. We have performed extensive simulations on MPC clustering using the CIRs generated by the Third Generation Partnership Project 3-dimensional channel models. We also have developed a space-time channel sounder and have performed experiments in a typical rural macrocell scenario. The simulation and experiment results have shown that the proposed framework has a better performance in clustering accuracy than the current methods.
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.
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 | 0,001 | 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 découle