A Fingerprint Localization Method in Collocated Massive MIMO-OFDM Systems Using Clustering and Gaussian Process Regression
Notice bibliographique
Résumé
Localization has been a notable feature in wireless communications due to the increasing demand for location information. Fingerprinting-based (FP) localization methods are promising for rich scattering environments due to their high reliability and accuracy. The Gaussian process regression (GPR) method could potentially be used as an FP-based localization method to facilitate localization and provide high accuracy. However, it is limited by high complexity, especially in a large-scale environment. In this paper, we propose an FP-based localization method in collocated massive multiple-input multiple-output (MIMO) orthogonal frequency division multiplexing (OFDM) systems using the affinity propagation clustering (APC) algorithm and Gaussian process regression (GPR) to estimate the user’s location. Fingerprints are extracted based on instantaneous channel state information (CSI) by taking full advantage of the high resolution in the angle and delay domains. Then, the training fingerprints are clustered using the (APC) algorithm to reduce matching complexity and computational complexity. Finally, the data distribution within each cluster is accurately modeled using GPR to provide excellent support for further localization. Simulation studies reveal that the proposed method improves localization performance significantly by reducing the location estimation error. Additionally, it reduces the matching complexity and computational complexity.
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 | 0,001 |
| 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 ».