論文の概要: Feature-Based Generalized Gaussian Distribution Method for NLoS
Detection in Ultra-Wideband (UWB) Indoor Positioning System
- arxiv url: http://arxiv.org/abs/2304.11091v1
- Date: Fri, 14 Apr 2023 11:51:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-30 07:58:31.319952
- Title: Feature-Based Generalized Gaussian Distribution Method for NLoS
Detection in Ultra-Wideband (UWB) Indoor Positioning System
- Title（参考訳）: 超広帯域(UWB)屋内位置決めシステムにおけるNLoS検出のための特徴ベース一般化ガウス分布法
- Authors: Fuhu Che, Qasim Zeeshan Ahmed, Jaron Fontaine, Ben Van Herbruggen,
Adnan Shahid, Eli De Poorter, and Pavlos I. Lazaridis
- Abstract要約: 非Line-of-Sight(NLoS)伝搬条件は、UWB(Ultra-Wideband)屋内位置決めシステム(IPS)における位置決めの精度に影響を与える重要な要因である
データベースが少数のNLoS信号と多数のLine-of-Sight信号を含む場合、既存の機械学習アプローチでは高い分類精度を維持することは困難である。
特徴量に基づくガウス分布(GD)と一般化ガウス分布(GGD)NLoS検出アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 3.5522191686718725
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Non-Line-of-Sight (NLoS) propagation condition is a crucial factor affecting
the precision of the localization in the Ultra-Wideband (UWB) Indoor
Positioning System (IPS). Numerous supervised Machine Learning (ML) approaches
have been applied for NLoS identification to improve the accuracy of the IPS.
However, it is difficult for existing ML approaches to maintain a high
classification accuracy when the database contains a small number of NLoS
signals and a large number of Line-of-Sight (LoS) signals. The inaccurate
localization of the target node caused by this small number of NLoS signals can
still be problematic. To solve this issue, we propose feature-based Gaussian
Distribution (GD) and Generalized Gaussian Distribution (GGD) NLoS detection
algorithms. By employing our detection algorithm for the imbalanced dataset, a
classification accuracy of $96.7\%$ and $98.0\%$ can be achieved. We also
compared the proposed algorithm with the existing cutting-edge such as
Support-Vector-Machine (SVM), Decision Tree (DT), Naive Bayes (NB), and Neural
Network (NN), which can achieve an accuracy of $92.6\%$, $92.8\%$, $93.2\%$,
and $95.5\%$, respectively. The results demonstrate that the GGD algorithm can
achieve high classification accuracy with the imbalanced dataset. Finally, the
proposed algorithm can also achieve a higher classification accuracy for
different ratios of LoS and NLoS signals which proves the robustness and
effectiveness of the proposed method.
- Abstract（参考訳）: 非Line-of-Sight(NLoS)伝搬条件は、UWB(Ultra-Wideband)屋内位置決めシステム(IPS)における位置決めの精度に影響を与える重要な要因である。
NLoS識別には多数の教師付き機械学習(ML)アプローチが適用され、IPSの精度が向上した。
しかし、データベースが少数のNLoS信号と多数のLine-of-Sight (LoS)信号を含む場合、既存のMLアプローチでは高い分類精度を維持することは困難である。
この少数のNLoS信号によるターゲットノードの不正確な位置決めは依然として問題となる。
そこで本研究では,機能ベースガウス分布 (gd) と一般化ガウス分布 (ggd) nlos検出アルゴリズムを提案する。
不均衡データセットに対する検出アルゴリズムを用いることで、分類精度が9,6.7 %$と9,8.0 %$を達成できる。
また、提案したアルゴリズムを、SVM(Support-Vector-Machine)、DT(Decision Tree)、NB(Naive Bayes)、NN(Neural Network)といった既存の最先端のアルゴリズムと比較した。
その結果、GGDアルゴリズムは不均衡なデータセットと高い分類精度を達成できることを示した。
最後に,提案アルゴリズムは,提案手法のロバスト性および有効性を証明するため,LoS信号とNLoS信号の異なる比に対して高い分類精度を得ることができる。
関連論文リスト
- Stability and Generalization for Distributed SGDA [70.97400503482353]
分散SGDAのための安定性に基づく一般化分析フレームワークを提案する。
我々は, 安定性の誤差, 一般化ギャップ, 人口リスクの包括的分析を行う。
理論的結果から,一般化ギャップと最適化誤差のトレードオフが明らかになった。
論文 参考訳（メタデータ） (2024-11-14T11:16:32Z) - Adaptive $k$-nearest neighbor classifier based on the local estimation of the shape operator [49.87315310656657]
我々は, 局所曲率をサンプルで探索し, 周辺面積を適応的に定義する適応型$k$-nearest(kK$-NN)アルゴリズムを提案する。
多くの実世界のデータセットから、新しい$kK$-NNアルゴリズムは、確立された$k$-NN法と比較してバランスの取れた精度が優れていることが示されている。
論文 参考訳（メタデータ） (2024-09-08T13:08:45Z) - Tight Verification of Probabilistic Robustness in Bayesian Neural
Networks [17.499817915644467]
ベイズニューラルネットワーク(BNN)の確率論的ロバスト性に関する厳密な保証を計算するための2つのアルゴリズムを導入する。
提案アルゴリズムは,反復的拡張とネットワークの勾配を用いて,パラメータの空間を安全に探索する。
アルゴリズムがSoAよりも厳密なバウンダリを計算できることの証明に加えて、標準ベンチマーク上でのSoAに対するアルゴリズムの評価も行っています。
論文 参考訳（メタデータ） (2024-01-21T23:41:32Z) - Novel Fine-Tuned Attribute Weighted Na\"ive Bayes NLoS Classifier for
UWB Positioning [0.6299766708197881]
室内位置決めシステム(IPS)におけるLine-of-Sight(LoS)信号とNon-in-of-Sight(NLoS)信号を特定するために、FT-WNB(Fine-Tuned attribute Weighted Na'ive Bayes)を提案する。
FT-WNB分類器は、各信号に特定の重みを割り当て、予測されたクラスと実際のクラスのミスマッチに対処する確率を微調整する。
論文 参考訳（メタデータ） (2023-04-14T09:59:18Z) - DR-DSGD: A Distributionally Robust Decentralized Learning Algorithm over
Graphs [54.08445874064361]
本稿では,分散環境下での正規化された分散ロバストな学習問題を解くことを提案する。
Kullback-Liebler正規化関数をロバストなmin-max最適化問題に追加することにより、学習問題を修正されたロバストな問題に還元することができる。
提案アルゴリズムは, 最低分布検定精度を最大10%向上できることを示す。
論文 参考訳（メタデータ） (2022-08-29T18:01:42Z) - Normalized/Clipped SGD with Perturbation for Differentially Private
Non-Convex Optimization [94.06564567766475]
DP-SGDとDP-NSGDは、センシティブなトレーニングデータを記憶する大規模モデルのリスクを軽減する。
DP-NSGD は DP-SGD よりも比較的チューニングが比較的容易であるのに対して,これらの2つのアルゴリズムは同様の精度を実現する。
論文 参考訳（メタデータ） (2022-06-27T03:45:02Z) - RMSMP: A Novel Deep Neural Network Quantization Framework with Row-wise
Mixed Schemes and Multiple Precisions [43.27226390407956]
この研究は、Row-wise Mixed-Scheme and Multi-Precisionアプローチによる新しいディープニューラルネットワーク(DNN)量子化フレームワーク、すなわちRMSMPを提案する。
提案するRMSMPは、画像分類と自然言語処理(BERT)の分野でテストされている。
同等の精度で、最先端技術の中で最高の精度を実現する。
論文 参考訳（メタデータ） (2021-10-30T02:53:35Z) - Anomaly Detection Based on Generalized Gaussian Distribution approach
for Ultra-Wideband (UWB) Indoor Positioning System [1.8619310493118186]
本稿では,Gaussian Distribution (GD) とGeneralized Gaussian Distribution (GGD) アルゴリズムに基づく異常検出手法を用いて,Non-Line-of-Sight (NLoS) 成分の検出と同定を行う。
シミュレーションの結果,提案手法はNLoS信号の分類精度を向上するロバストなNLoS成分同定を実現することができることが示された。
論文 参考訳（メタデータ） (2021-08-09T11:54:11Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳（メタデータ） (2020-11-05T08:04:34Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z)
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。