Fugu-MT 論文翻訳(概要): Robust Localization in Wireless Networks From Corrupted Signals

論文の概要: Robust Localization in Wireless Networks From Corrupted Signals

arxiv url: http://arxiv.org/abs/2010.16297v2
Date: Mon, 1 Mar 2021 10:12:47 GMT
ステータス: 処理完了
システム内更新日: 2022-10-09 06:37:52.116843
Title: Robust Localization in Wireless Networks From Corrupted Signals
Title（参考訳）: 劣化信号からの無線ネットワークにおけるロバスト局在
Authors: Muhammad Osama, Dave Zachariah, Satyam Dwivedi, Petre Stoica
Abstract要約: 非理想的な信号条件により、未知のデータの一部が破損した場合、無線ネットワークにおけるタイミングに基づくローカライゼーションの問題に対処する。スケジュールベースの伝送における時間差,時間差,時間差など,様々な局所化手法に適用可能なロバストな手法を開発した。
参考スコア（独自算出の注目度）: 23.13376757630676
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We address the problem of timing-based localization in wireless networks, when an unknown fraction of data is corrupted by nonideal signal conditions. While timing-based techniques enable accurate localization, they are also sensitive to such corrupted data. We develop a robust method that is applicable to a range of localization techniques, including time-of-arrival, time-difference-of-arrival and time-difference in schedule-based transmissions. The method is nonparametric and requires only an upper bound on the fraction of corrupted data, thus obviating distributional assumptions of the corrupting noise distribution. The robustness of the method is demonstrated in numerical experiments.
Abstract（参考訳）: 非理想的な信号条件によって未知のデータの一部が破損した場合、無線ネットワークにおけるタイミングに基づくローカライズの問題に対処する。タイミングに基づく手法は正確なローカライズを可能にするが、そのような破損したデータにも敏感である。スケジュールベースの伝送における時間差,時間差,時間差など,様々な局所化手法に適用可能なロバストな手法を開発した。この方法は非パラメトリックであり、破損したデータの割合の上限のみを必要とするため、破損するノイズ分布の分布的仮定を省略する。本手法のロバスト性は数値実験で実証された。

関連論文リスト

A convolutional neural network approach to deblending seismic data [1.5488464287814563]
本稿では,高速かつ効率的な地震探査のためのデータ駆動深層学習手法を提案する。地震データの特徴に応じて畳み込みニューラルネットワーク(CNN)を設計する。ネットワークのトレーニングと検証を行った後、ほぼリアルタイムで地震波のたわみを行うことができる。
論文参考訳（メタデータ） (2024-09-12T10:54:35Z)
Towards stable real-world equation discovery with assessing differentiating quality influence [52.2980614912553]
一般的に用いられる有限差分法に代わる方法を提案する。我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
論文参考訳（メタデータ） (2023-11-09T23:32:06Z)
Consistent Signal Reconstruction from Streaming Multivariate Time Series [5.448070998907116]
我々は,ストリーミング時系列データから一貫した信号再構成の概念を初めて定式化する。提案手法は, 類似しているが非一貫性の再構成と比較して, サンプリングレートで良好な誤差速度の減衰を実現する。
論文参考訳（メタデータ） (2023-08-23T22:50:52Z)
Online Learning for Adaptive Probing and Scheduling in Dense WLANs [4.585894579981477]
既存のネットワークスケジューリングソリューションは、スケジューリング決定が下される前に、瞬時リンクレートが完全に知られていると仮定する。探索決定が適応的でない場合に性能を保証する近似アルゴリズムを開発する。我々は、未知のリンクレート分布でオンライン設定にソリューションを拡張し、文脈帯域ベースのアルゴリズムを開発する。
論文参考訳（メタデータ） (2022-12-27T19:12:17Z)
LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
論文参考訳（メタデータ） (2022-02-01T20:27:46Z)
STRONG: Synchronous and asynchronous RObust Network localization, under Non-Gaussian noise [0.0]
現実世界のネットワークアプリケーションは、故障したノード、悪意のある攻撃、および外れ値として分類されたデータに対処しなければならない。本研究はセンサネットワークローカライゼーションアルゴリズムの範囲内でこれらの懸念に対処する。コントリビューションの大きな目玉は、証明可能な配布に対して、正確性も、通信コストも、速度も、何の費用も払わないという事実にあります。
論文参考訳（メタデータ） (2021-10-01T18:01:28Z)
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)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文参考訳（メタデータ） (2020-09-16T15:52:04Z)
Change Point Detection in Time Series Data using Autoencoders with a Time-Invariant Representation [69.34035527763916]
変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
論文参考訳（メタデータ） (2020-08-21T15:03:21Z)
Uncertainty Aware Deep Neural Network for Multistatic Localization with Application to Ultrasonic Structural Health Monitoring [0.0]
本稿では、ロバストなローカライゼーションモデルを学ぶために、不確実性を考慮したディープ・ニューラル・ディストリビューション・ネットワーク・フレームワークを使用する。環境不確実性の増加に伴い,予測不確実性はスケールし,局所化精度を評価する統計的に有意な指標となることを示す。
論文参考訳（メタデータ） (2020-07-14T04:53:06Z)

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。