Efficient Neural 3-D Localization in Asynchronous and Nonideal 5G+ Networks: Cramèr-Rao Bound Analysis
Notice bibliographique
Résumé
This work addresses two innovative and challenging aspects in the pursuit of an accurate localization process, which can be achieved through a complex and nonlinear approach such as neural networks (NNs). This study specifically focuses on developing a low-complexity localization method using NNs, along with presenting the associated Cramèr-Rao lower bound (CRB). The research considers real-world scenarios where system performance is corrupted by imperfect synchronization and hardware impairments (HWIs), which cause significant accuracy reduction when using traditional estimators. The NN approach offers a promising solution to counteract the effects of HWI and synchronization issues, by using substantial prior information during the training phase. However, incorporating this prior information and dealing with the nonlinearity of NNs presents challenges in deriving the CRB of the neural localization process. To overcome these challenges, the research utilizes the f-divergence function and the concept of mutual information to derive the CRB, making it applicable to various HWI, nonlinear activation functions in NNs and statistical models. The study further simplifies the optimization problem traditionally associated with this approach used in calculating the CRB. The simulation results demonstrate that the proposed approach achieves a low-complexity and accurate localization process even in asynchronous and impaired systems. Furthermore, the simulations validate the proposed CRB driving technique and provide the CRB values for various neural localization scenarios.
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 | 0,001 | 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 ».