Fugu-MT 論文翻訳(概要): Spreading Factor and RSSI for Localization in LoRa Networks: A Deep Reinforcement Learning Approach

論文の概要: Spreading Factor and RSSI for Localization in LoRa Networks: A Deep Reinforcement Learning Approach

arxiv url: http://arxiv.org/abs/2205.11428v1
Date: Mon, 23 May 2022 16:17:34 GMT
ステータス: 処理完了
システム内更新日: 2022-05-24 22:51:35.720778
Title: Spreading Factor and RSSI for Localization in LoRa Networks: A Deep Reinforcement Learning Approach
Title（参考訳）: LoRaネットワークにおけるローカライゼーションのための拡散因子とRSSI : 深層強化学習アプローチ
Authors: Yaya Etiabi, Mohammed JOUHARI, El Mehdi Amhoud
Abstract要約: LoRaネットワーク上で正確なディープニューラルネットワークに基づくローカライゼーションフレームワークを開発する。都市LoRaネットワークに記録された実験データセットを用いて,我々のフレームワークを検証する。その結果,精度は63.3%向上した。
参考スコア（独自算出の注目度）: 1.8047694351309207
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent advancements in Internet of Things (IoT) technologies have resulted in a tightening of requirements from various applications including localization in LoRa networks. To address the growing demand for LoRaWAN-powered IoT location-based services, accurate localization solutions are more crucial than ever. As such, in this work, we develop an accurate deep neural network based localization framework over a LoRa network by proposing a novel approach that builds the network radio map with the combination of RSSI recordings and the spreading factors (SF) used by LoRa devices during the transmissions. Then, we validate our framework using a publicly available experimental dataset recorded in an urban LoRa network. The performance evaluation shows the prominence of adding the spreading factor as an additional fingerprint, since we can achieve, by our approach, an improvement in localization accuracy by up to 6.67% compared to the state-of-the-art methods which employ uniquely the RSSI fingerprints. Additionally, we provide an analysis of the impact of the SF on the localization performance which reveals that the localization accuracy relies on the SF used for position request. Finally, we propose a deep reinforcement learning based localization system to capture the ever-growing complexity of LoRa networks environment and cope with the scalability issue in LoRa enabled massive IoT, and the results show an improvement of 63.3% in terms of accuracy.
Abstract（参考訳）: モノのインターネット(IoT)技術の最近の進歩は、LoRaネットワークのローカライゼーションを含むさまざまなアプリケーションからの要求の締め付けにつながっている。 LoRaWANを使用したIoTロケーションベースのサービスの需要拡大に対応するため、正確なローカライゼーションソリューションはこれまで以上に重要になっている。そこで本研究では,ロラデバイスが送信時に使用するRSSI記録と拡散係数(SF)を組み合わせて,ネットワーク無線マップを構築する新しいアプローチを提案することにより,ロラネットワーク上の正確なディープニューラルネットワークベースのローカライゼーションフレームワークを開発する。次に,都市loraネットワークに記録された公開実験データセットを用いて検証を行う。本手法により,RSSI指紋を用いた最先端手法と比較して,局所化精度を最大6.67%向上させることができるため,この拡散係数を付加指紋として有益であることを示す。さらに,位置推定におけるSFの影響を解析した結果,位置推定の精度が位置推定に使用するSFに依存することが明らかになった。最後に,LoRaネットワーク環境の継続的な複雑化を把握し,LoRaによって実現された大規模IoTのスケーラビリティ問題に対処する,深層強化学習に基づくローカライゼーションシステムを提案する。

関連論文リスト

Mean Teacher based SSL Framework for Indoor Localization Using Wi-Fi RSSI Fingerprinting [4.147346416230272]
Wi-Fiフィンガープリントは、Wi-Fiデバイスの普及により、屋内のローカライズに広く応用されている。従来の手法はスケーラビリティの問題のため、マルチビルドやマルチフロア環境には適していない。本稿では,無線アクセスポイント選択,ノイズ注入,平均教師モデルに基づくニューラルネットワークのための新しい半教師付き学習フレームワークを提案する。
論文参考訳（メタデータ） (2024-07-18T09:07:20Z)
Data-Driven Target Localization: Benchmarking Gradient Descent Using the Cramer-Rao Bound [0.2796197251957244]
レーダシステムでは、方位と速度推定を用いた正確な目標位置推定が最重要である。従来の非バイアス推定法は勾配降下アルゴリズムを用いてクラマーラオ境界の理論限界に達した。データ駆動型ニューラルネットワークモデルは従来の手法よりも優れており、目標方位の精度と速度推定が向上していることを示す。
論文参考訳（メタデータ） (2024-01-20T09:26:08Z)
On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。本稿では,密集市街地における局所化問題について検討する。まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
論文参考訳（メタデータ） (2022-11-28T00:31:02Z)
On the Multidimensional Augmentation of Fingerprint Data for Indoor Localization in A Large-Scale Building Complex Based on Multi-Output Gaussian Process [3.8310036898137296]
Wi-Fiフィンガープリンティングは、大規模な屋内ローカライゼーションの主流のソリューションとなる。位置化指紋の測定における基準点(RP)の数と分布は精度に大きな影響を及ぼす。データ拡張は、RPの少ない数と不均一な分布を改善するための実現可能なソリューションとして提案されている。
論文参考訳（メタデータ） (2022-11-19T10:07:17Z)
Increasing the Accuracy of a Neural Network Using Frequency Selective Mesh-to-Grid Resampling [4.211128681972148]
ニューラルネットワークの入力データの処理にFSMR(Keypoint frequency selective mesh-to-grid resampling)を提案する。ネットワークアーキテクチャや分類タスクによって、トレーニング中のFSMRの適用は学習プロセスに役立ちます。 ResNet50とOxflower17データセットの分類精度は最大4.31ポイント向上できる。
論文参考訳（メタデータ） (2022-09-28T21:34:47Z)
Can pruning improve certified robustness of neural networks? [106.03070538582222]
ニューラルネット・プルーニングはディープ・ニューラル・ネットワーク(NN)の実証的ロバスト性を向上させることができることを示す。実験の結果,NNを適切に刈り取ることで,その精度を8.2%まで向上させることができることがわかった。さらに,認証された宝くじの存在が,従来の密集モデルの標準および認証された堅牢な精度に一致することを観察する。
論文参考訳（メタデータ） (2022-06-15T05:48:51Z)
Optimization-Based Separations for Neural Networks [57.875347246373956]
本研究では,2層のシグモダルアクティベーションを持つディープ2ニューラルネットワークを用いて,ボールインジケータ関数を効率よく学習できることを示す。これは最適化に基づく最初の分離結果であり、より強力なアーキテクチャの近似の利点は、実際に確実に現れる。
論文参考訳（メタデータ） (2021-12-04T18:07:47Z)
FasterPose: A Faster Simple Baseline for Human Pose Estimation [65.8413964785972]
本稿では,高速ポーズ推定のためのLR表現を用いた費用対効果ネットワークの設計パラダイムであるFasterPoseを提案する。我々は,FasterPoseのトレーニング挙動について検討し,収束を加速する新しい回帰クロスエントロピー(RCE)損失関数を定式化する。従来のポーズ推定ネットワークと比較すると,FLOPの58%が減少し,精度が1.3%向上した。
論文参考訳（メタデータ） (2021-07-07T13:39:08Z)
Neural Enhanced Belief Propagation for Cooperative Localization [6.787897491422112]
位置対応ネットワークは、現代的な利便性、応用海洋科学、公共安全のための革新的なサービスと応用を導入する。モデルベースおよびデータ駆動推論のためのハイブリッド手法を確立する。無線ネットワーク内の移動体エージェントが、他のエージェントと相互に観測し、位置情報を交換することで、自らをローカライズすることを目的とした、協調的ローカライゼーション(CL)シナリオを検討する。
論文参考訳（メタデータ） (2021-05-27T01:42:54Z)
Local Critic Training for Model-Parallel Learning of Deep Neural Networks [94.69202357137452]
そこで我々は,局所的批判訓練と呼ばれる新しいモデル並列学習手法を提案する。提案手法は,畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)の両方において,階層群の更新プロセスの分離に成功したことを示す。また,提案手法によりトレーニングされたネットワークを構造最適化に利用できることを示す。
論文参考訳（メタデータ） (2021-02-03T09:30:45Z)
Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
論文参考訳（メタデータ） (2020-04-08T10:08:20Z)

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。