論文の概要: Multi-frequency calibration for DOA estimation with distributed sensors
- arxiv url: http://arxiv.org/abs/2002.11498v1
- Date: Mon, 24 Feb 2020 21:16:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 03:36:19.081976
- Title: Multi-frequency calibration for DOA estimation with distributed sensors
- Title(参考訳): 分散センサを用いたDOA推定のための多周波キャリブレーション
- Authors: Martin Brossard, Virginie Ollier, Mohammed Nabil El Korso, R\'emy
Boyer and Pascal Larzabal
- Abstract要約: 我々は、コヒーレンスモデルを組み込んだ分散最適化方式を採用し、ローカルエージェントは接続ノード間でのみ情報を交換する。
数値シミュレーションは、統計的および計算効率の観点から提案した並列反復法の利点を浮き彫りにする。
- 参考スコア(独自算出の注目度): 8.7221770019454
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we investigate direction finding in the presence of sensor gain
uncertainties and directional perturbations for sensor array processing in a
multi-frequency scenario. Specifically, we adopt a distributed optimization
scheme in which coherence models are incorporated and local agents exchange
information only between connected nodes in the network, i.e., without a fusion
center. Numerical simulations highlight the advantages of the proposed parallel
iterative technique in terms of statistical and computational efficiency.
- Abstract(参考訳): 本研究では,センサアレイ処理におけるセンサゲインの不確かさの有無と方向摂動の有無を多周波数シナリオで検討する。
具体的には,コヒーレンスモデルが組み込まれ,局所エージェントがネットワーク内の接続ノード,すなわち融合センタを使わずに情報を交換する分散最適化方式を採用する。
数値シミュレーションは, 統計的および計算効率の観点から, 並列反復手法の利点を浮き彫りにする。
関連論文リスト
- Rethinking Clustered Federated Learning in NOMA Enhanced Wireless
Networks [60.09912912343705]
本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。
データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。
非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
論文 参考訳(メタデータ) (2024-03-05T17:49:09Z) - Distributed Markov Chain Monte Carlo Sampling based on the Alternating
Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。
我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。
シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文 参考訳(メタデータ) (2024-01-29T02:08:40Z) - Distributed Bayesian Estimation in Sensor Networks: Consensus on
Marginal Densities [15.038649101409804]
連続変数上の確率分布の関数空間において、確率的確率的アルゴリズムを導出する。
これらの結果を利用して、個々のエージェントが観測する変数のサブセットに制限された新しい分散推定器を得る。
これは、協調的なローカライゼーションやフェデレートドラーニングのような応用に関係しており、任意のエージェントで収集されたデータは、関心のあるすべての変数のサブセットに依存する。
論文 参考訳(メタデータ) (2023-12-02T21:10:06Z) - Distributed Variational Inference for Online Supervised Learning [15.038649101409804]
本稿では,スケーラブルな分散確率的推論アルゴリズムを提案する。
センサネットワークにおける連続変数、難解な後部データ、大規模リアルタイムデータに適用できる。
論文 参考訳(メタデータ) (2023-09-05T22:33:02Z) - Decentralized Entropic Optimal Transport for Privacy-preserving
Distributed Distribution Comparison [24.778440770184364]
プライバシを保存する分散分散比較は、分散システム内のさまざまなエージェントに分散した分散間の距離を測定する。
本稿では,プライバシー保護と通信効率を両立させる分散エントロピー最適化トランスポート(EOT)手法を提案する。
合成データと実世界の分散ドメイン適応タスクの実験により,本手法の有効性が示された。
論文 参考訳(メタデータ) (2023-01-28T02:47:42Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳(メタデータ) (2022-07-03T06:57:07Z) - An alternative approach for distributed parameter estimation under
Gaussian settings [6.624726878647541]
本稿では,マルチエージェントネットワーク上での分散線形パラメータ推定に対して,異なるアプローチをとる。
各エージェントにおけるセンサ測定は線形であり、付加的な白色ガウス雑音で劣化する。
そこで本研究では,コンセンサスとイノベーションの概念を融合した分散推定アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-04-14T03:49:31Z) - Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic
Uncertainty [58.144520501201995]
ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。
注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。
また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
論文 参考訳(メタデータ) (2021-10-12T22:04:19Z) - Decentralized Local Stochastic Extra-Gradient for Variational
Inequalities [125.62877849447729]
我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。
我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。
理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
論文 参考訳(メタデータ) (2021-06-15T17:45:51Z) - Spatially Adaptive Inference with Stochastic Feature Sampling and
Interpolation [72.40827239394565]
スパースサンプリングされた場所のみの機能を計算することを提案する。
次に、効率的な手順で特徴写像を密に再構築する。
提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
論文 参考訳(メタデータ) (2020-03-19T15:36:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。