Probabilistic Source Localization Based on Time-of-Arrival Measurements
Notice bibliographique
Résumé
This article was motivated by the need to localize a sensor (signal source) in an Internet-of-Things (IoT) network to an area with a predetermined probability (credibility). The source is assumed to transmit a short time duration (burst) signal in a homogeneous line-of-sight environment. The source's signal is known to an array of spatially separated receivers, which can measure the times of arrival of the source's signal subject to Gaussian measurement errors. The time that the signal leaves the source (i.e., the transmit time) is, however, unknown. The authors develop a method for computing the exact a posteriori probability density functions (pdfs) of the coordinates of the source's in both 2-D and 3-D spaces. The obtained a posteriori pdfs incorporate arbitrary a priori densities, which makes them very useful in many practical scenarios. Unlike existing point-estimate methods, the probabilistic method does not simultaneously solve a set of equations so there is neither a lower nor upper limit on the number of receivers. Various examples are provided to demonstrate the superiority and usefulness of the proposed method. In particular, it is shown that the joint a posteriori pdf of the target's location is not always approximately jointly Gaussian, especially when the target is in close proximity to one of the gateways, or when the gateways are located in close proximity to each other.
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 ».