Three-Dimensional Source Localization Based on 1-D AOA Measurements: Low-Complexity and Effective Estimator
Notice bibliographique
Résumé
Three-dimensional (3-D) source localization based on 1-D angles of arrival (AOA) measurements from multiple linear arrays have attracted much attention due to the low cost of linear arrays and the easy access to 1-D AOAs. However, most existing methods are restricted to specific array deployments, and the convex optimization methods applicable to the linear array with arbitrary deployments have drawbacks such as high computational complexity and nonportability to small industrial equipment. In this article, we propose two 1-D AOA-based source localization methods. The first method uses the iterative reweighted least square (IRLS) to obtain a coarse solution and a deviation refinement (DR) procedure to refine the estimation. Each step in IRLS-DR has a closed-form solution; thus, it is computationally efficient. Moreover, it applies to arbitrary interarray deployments, and theoretical analysis shows that its performance can approach the Cramér–Rao lower bound (CRLB) at small noise levels. The second method addresses the maximum likelihood estimation (MLE). A modified Levenberg–Marquardt (MLM) method is proposed, which focuses on designing a new selection strategy of the regularization parameter to realize a high convergence probability and localization accuracy. Experiments based on computer simulations and SWellEx96-S59 ocean acoustic measurements are carried out to verify the performance and advantages of the proposed methods.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».