Direct Target Localization With Low-Bit Quantization in Wireless Sensor Networks
Notice bibliographique
Résumé
Wireless sensor networks (WSNs) have been recognized to have great potential in the field of target localization. To address the challenges of limited power consumption, channel throughput, and non-ideal transmission channel conditions in WSNs, this paper proposes a channel-aware direct localization method with low-bit quantization data. At its core, the received baseband signal is quantized into a small number of bits at each local sensor before being transmitted to the fusion center (FC). A channel-aware target localization method is designed at the FC to account for potential data distortion in the wireless channels due to the effects of fading and noise. The Cramér-Rao lower bound (CRLB) of the proposed method is derived to assess its localization performance. To achieve optimal localization performance, an optimization problem for quantizer design is formulated to guide each local sensor in quantizing the raw data. Since the formulated optimization problem is high-dimensional and non-convex, a low-dimensional optimization method based on position decoupling is proposed, which decouples the quantizer design problem into multiple low-dimensional sub-optimization problems. Specifically, for one-bit quantization, we prove that the optimal quantizer can be obtained analytically. For multi-bit quantization, we employ an efficient particle swarm optimization (PSO) based method for designing the quantizer. Our numerical results validate the theoretical analysis, demonstrating that the proposed method effectively addresses the low-bit quantization target localization problem especially in the presence of channel distortion.
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 ».