論文の概要: DV-Hop localization based on Distance Estimation using Multinode and Hop Loss in WSNs

• arxiv url: http://arxiv.org/abs/2403.04365v1
• Date: Thu, 7 Mar 2024 09:50:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-08 14:21:39.297873
• Title: DV-Hop localization based on Distance Estimation using Multinode and Hop Loss in WSNs
• Title（参考訳）: WSNにおけるマルチノードとホップ損失を用いた距離推定に基づくDVホップ位置推定
• Authors: Penghong Wang, Xingtao Wang, Wenrui Li, Xiaopeng Fan, and Debin Zhao
• Abstract要約: 位置認識は無線センサネットワークアプリケーションにおいて重要な問題である。 本稿では,マルチノード(DEMN)を用いた距離推定とWSNにおけるホップ損失に基づくDVホップの局所化を提案する。
• 参考スコア（独自算出の注目度）: 28.170947578746496
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Location awareness is a critical issue in wireless sensor network applications. For more accurate location estimation, the two issues should be considered extensively: 1) how to sufficiently utilize the connection information between multiple nodes and 2) how to select a suitable solution from multiple solutions obtained by the Euclidean distance loss. In this paper, a DV-Hop localization based on the distance estimation using multinode (DEMN) and the hop loss in WSNs is proposed to address the two issues. In DEMN, when multiple anchor nodes can detect an unknown node, the distance expectation between the unknown node and an anchor node is calculated using the cross-domain information and is considered as the expected distance between them, which narrows the search space. When minimizing the traditional Euclidean distance loss, multiple solutions may exist. To select a suitable solution, the hop loss is proposed, which minimizes the difference between the real and its predicted hops. Finally, the Euclidean distance loss calculated by the DEMN and the hop loss are embedded into the multi-objective optimization algorithm. The experimental results show that the proposed method gains 86.11\% location accuracy in the randomly distributed network, which is 6.05% better than the DEM-DV-Hop, while DEMN and the hop loss can contribute 2.46% and 3.41%, respectively.
• Abstract（参考訳）: 位置認識は無線センサネットワークアプリケーションにおいて重要な問題である。 より正確な位置推定には、この2つの問題を広く考慮する必要がある。 1)複数のノード間の接続情報を十分に活用するには 2) ユークリッド距離損失によって得られる複数の解から適切な解を選択する方法。 本稿では,マルチノード(DEMN)を用いた距離推定とWSNにおけるホップ損失に基づくDVホップの局所化を提案する。 DEMNでは、複数のアンカーノードが未知のノードを検出できる場合、未知のノードとアンカーノードの間の距離期待値をクロスドメイン情報を用いて算出し、それらの間の期待距離とみなし、探索空間を狭める。 伝統的なユークリッド距離損失を最小化する場合、複数の解が存在する。 適切な解を選択するために,実数と予測されたホップの差を最小限に抑えるホップ損失を提案する。 最後に、DEMNによって計算されたユークリッド距離損失とホップ損失を多目的最適化アルゴリズムに埋め込む。 提案手法は,DEM-DV-Hopよりも6.05%,DEMNとホップ損失は2.46%と3.41%の精度で,ランダム分散ネットワークにおける86.11\%の位置精度が得られた。

関連論文リスト

• Communication-Efficient Decentralized Federated Learning via One-Bit Compressive Sensing [52.402550431781805]
  分散連合学習(DFL)は、様々なアプリケーションにまたがる実用性によって人気を博している。 集中型バージョンと比較して、DFLの多数のノード間で共有モデルをトレーニングするのはより難しい。 我々は,iADM (iexact alternating direction method) の枠組みに基づく新しいアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-08-31T12:22:40Z)
• Good Lattice Training: Physics-Informed Neural Networks Accelerated by Number Theory [7.462336024223669]
  本稿では,PINNのためのGLT(Good lattice Training)と呼ばれる新しい手法を提案する。 GLT は、少数の点や多次元空間に対しても有効であるコロケーション点の集合を提供する。 実験の結果、GLTはランダムサンプリングやラテンハイパーキューブサンプリングよりも2～20倍少ないコロケーションポイントを必要とすることがわかった。
  論文  参考訳（メタデータ） (2023-07-26T00:01:21Z)
• Separable Physics-Informed Neural Networks [6.439575695132489]
  PINNのためのネットワークアーキテクチャとトレーニングアルゴリズムを提案する。 SPINNは、多次元PDEにおけるネットワーク伝播数を著しく削減するために、軸単位で動作している。 そこで, SPINN は, 2+1-d Navier-Stokes 方程式を, より高速に解けることを示す。
  論文  参考訳（メタデータ） (2023-06-28T07:11:39Z)
• Adaptive Self-supervision Algorithms for Physics-informed Neural Networks [59.822151945132525]
  物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。 これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。 モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
  論文  参考訳（メタデータ） (2022-07-08T18:17:06Z)
• Improved Training of Physics-Informed Neural Networks with Model Ensembles [81.38804205212425]
  我々は、PINNを正しい解に収束させるため、解区間を徐々に拡大することを提案する。 すべてのアンサンブルのメンバーは、観測されたデータの近くで同じ解に収束する。 提案手法は, 得られた解の精度を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-04-11T14:05:34Z)
• R(Det)^2: Randomized Decision Routing for Object Detection [64.48369663018376]
  本稿では,決定木とディープニューラルネットワークをエンドツーエンドの学習方法で組み合わせたオブジェクト検出手法を提案する。 効率的な学習を容易にするために,ノード選択型および連想型損失を伴うランダム化決定経路を提案する。 このアプローチをオブジェクト検出のためのランダム化決定ルーティングとして、R(Det)$2$と略す。
  論文  参考訳（メタデータ） (2022-04-02T07:54:58Z)
• Anchor Nodes Positioning for Self-localization in Wireless Sensor Networks using Belief Propagation and Evolutionary Algorithms [0.0]
  無線センサネットワークにおけるノードの配置は、監視作業を開始し、その領域に関する情報を送信するために不可欠である。 各ノードでGPSを使用するコストを削減するために、いくつかのノードはGPS(アンカー)を備えるべきである。 アンカーノードの数は高価であるため減らさなければならない。 本稿では,推定位置誤差とアンカーノード数を最小限に抑えるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-04-19T10:05:33Z)
• Nearest Neighbor Search Under Uncertainty [19.225091554227948]
  Nearest Neighbor Search (NNS) は知識表現、学習、推論の中心的なタスクである。 NNSを不確実性(NNSU)下で研究する。
  論文  参考訳（メタデータ） (2021-03-08T20:20:01Z)
• A2P-MANN: Adaptive Attention Inference Hops Pruned Memory-Augmented Neural Networks [3.682712058535653]
  A2P-MANNと呼ばれるオンラインアダプティブアプローチを提案し、メモリ拡張ニューラルネットワークで必要な注意推論ホップ数を制限する。 この技術は、正しい解を抽出する際に不要な大量の計算を除去する。 この手法の有効性は,bAbIデータセットの質問応答(QA)タスクを用いて評価する。
  論文  参考訳（メタデータ） (2021-01-24T12:02:12Z)
• Effective Version Space Reduction for Convolutional Neural Networks [61.84773892603885]
  アクティブラーニングでは、サンプリングバイアスは深刻な矛盾問題を引き起こし、アルゴリズムが最適な仮説を見つけるのを妨げる可能性がある。 本稿では,畳み込みニューラルネットワークを用いた能動学習について,バージョン空間削減の原理的レンズを用いて検討する。
  論文  参考訳（メタデータ） (2020-06-22T17:40:03Z)
• RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
  RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。 既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
  論文  参考訳（メタデータ） (2020-03-30T13:45:27Z)

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。