CRB Weighted Source Localization Method Based on Deep Neural Networks in Multi-UAV Network
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
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.
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 | 0,001 | 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 | 0,001 |
| 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