Distributed Particle Filter Implementation with Intermittent/Irregular\n Consensus Convergence
Notice bibliographique
Résumé
Motivated by non-linear, non-Gaussian, distributed multi-sensor/agent\nnavigation and tracking applications, we propose a multi-rate consensus/fusion\nbased framework for distributed implementation of the particle filter (CF/DPF).\nThe CF/DPF framework is based on running localized particle filters to estimate\nthe overall state vector at each observation node. Separate fusion filters are\ndesigned to consistently assimilate the local filtering distributions into the\nglobal posterior by compensating for the common past information between\nneighbouring nodes. The CF/DPF offers two distinct advantages over its\ncounterparts. First, the CF/DPF framework is suitable for scenarios where\nnetwork connectivity is intermittent and consensus can not be reached between\ntwo consecutive observations. Second, the CF/DPF is not limited to the Gaussian\napproximation for the global posterior density. A third contribution of the\npaper is the derivation of the exact expression for computing the posterior\nCramer-Rao lower bound (PCRLB) for the distributed architecture based on a\nrecursive procedure involving the local Fisher information matrices (FIM) of\nthe distributed estimators. The performance of the CF/DPF algorithm closely\nfollows the centralized particle filter approaching the PCRLB at the signal to\nnoise ratios that we tested.\n
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 | 0,001 | 0,001 |
| 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 ».