Localisation basée sur l'information de l'état des canaux (CSI) dans un environnement minier souterrain
Notice bibliographique
Résumé
RÉSUMÉ Dans le cadre de notre recherche approfondie au sein des industries minières canadiennes, notre objectif est de renforcer les réseaux de communication souterrains à l'aide de solutions sans fil innovantes, essentielles pour améliorer la productivité et garantir une coordination efficace entre les équipes. Notre étude s'est concentrée sur la précision de localisation des dispositifs mobiles dans les environnements souterrains, grâce à une analyse détaillée de l’état de canal sans fils (CSI). Notre méthodologie s'est développée en deux phases distinctes de collecte de données CSI. La première a impliqué l'utilisation de cartes NIC5300, puis l'adoption de modules ESP32 pour une collecte plus approfondie. Cette approche a permis de couvrir exhaustivement un espace intérieur. Un volet crucial de notre recherche réside dans l'ajustement minutieux des paramètres de canal, visant à optimiser la performance des réseaux de neurones artificiels (ANN) pour la localisation précise des dispositifs mobiles en milieu souterrain. Nous avons évalué rigoureusement différentes configurations de perceptrons multicouches (MLP) et avons utilisé des outils avancés tels que Tensor Flow et Scikit-learn pour déterminer la configuration offrant la meilleure précision de localisation. ABSTRACT In the context of our comprehensive research within the Canadian mining industries, our goal has been to enhance underground communication networks through innovative wireless solutions, crucial for improving productivity and ensuring effective coordination among teams. Our study focused on the accuracy of mobile device localization in subterranean environments, leveraging a detailed analysis of Channel State Information (CSI). Our methodology unfolded in two distinct phases of CSI data collection. Initially, it involved the use of NIC5300 cards, followed by the adoption of ESP32 modules for more in-depth collection. This strategy enabled us to thoroughly cover an indoor space. A critical aspect of our research was the meticulous adjustment of channel parameters to boost the performance of artificial neural networks (ANN) in precisely locating mobile devices underground. We rigorously evaluated various configurations of multilayer perceptrons (MLP) and employed advanced tools such as TensorFlow and Scikit-learn to ascertain which configuration yielded the highest localization accuracy.
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 | 0,003 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».