CRB Weighted Source Localization Method Based on Deep Neural Networks in Multi-UAV Network
Notice bibliographique
Résumé
With the advent of the Internet of Things (IoT) era, the multiunmanned aerial vehicle (UAV) networks have attracted great attention in the fields of source detection and localization. However, as the real-time signal processing performance of the UAV is limited by the computing speed and accuracy of the embedded hardware, the effectiveness of source localization is greatly reduced. Aiming at improving the accuracy and computational efficiency of source localization, a Cramer–Rao bound (CRB) weighted multi-UAV network source localization method is proposed based on the deep neural networks (DNNs) and spatial-spectrum fitting (SSF). The proposed source localization system is composed of UAVs equipped with a radar array. The source location can be achieved using the direction of arrival (DOA) of the source signals of UAVs, but the accuracy and real-time performance of the conventional DOA estimation algorithms are not satisfactory, and the data fusion strategy of the conventional cross-location framework needs further improvement. In the proposed method, a DNN-based SSF, denoted as the deep SSF (DeepSSF), is designed to achieve accurate DOA estimation. In the DeepSSF, the DOA estimation performance is guaranteed by the DNN’s strong nonlinear fitting ability and highly parallel structure. In addition, based on the obtained DOA information, the source is located once by every two UAVs. Finally, the source localization is realized based on the weighted CRB according to the principle that the more the DOA distribution deviates from zero, the lower the estimation accuracy. The simulation results verify the efficiency of the proposed method.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».