Tensor-based framework with model order selection, denoising and high accuracy matrix decomposition for third generation global positioning system time-delay estimation in dynamic multipath scenarios

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCosta, João Paulo Javidi da-
Autor(es): dc.contributorSousa Júnior, Rafael Timóteo de-
Autor(es): dc.creatorZanatta, Mateus da Rosa-
Data de aceite: dc.date.accessioned2024-10-23T15:48:15Z-
Data de disponibilização: dc.date.available2024-10-23T15:48:15Z-
Data de envio: dc.date.issued2022-05-19-
Data de envio: dc.date.issued2022-05-19-
Data de envio: dc.date.issued2022-05-19-
Data de envio: dc.date.issued2022-02-24-
Fonte completa do material: dc.identifierhttps://repositorio.unb.br/handle/10482/43769-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/892397-
Descrição: dc.descriptionTese (doutorado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2022.-
Descrição: dc.descriptionOs Sistemas Globais de Navegação por Satélite (GNSS), como o Sistema de Posicionamento Global (GPS), o Galileo, o GLONASS e o BeiDou, são cruciais para aplicações que exigem um posicionamento muito preciso. Métodos baseados em tensores de estimativa de atraso de tempo, como Canonical Polyadic Decomposition by Generalized Eigenvalue Decomposition (CPD-GEVD), Direction of Arrival Khatri-Rao Factorization (DoA/KRF) e Canonical Polyadic Decomposition via simultaneous matrix diagonalization (SECSI), podem ser combinado com o sinal L1C Civil (L1C) do GPS de terceira geração (GPS3) para mitigar significativamente a degradação de posicionamento causada por componentes de multicaminho. No entanto, esses métodos assumem que o número de componentes de multicaminho é constante e conhecido, embora, na prática, a quantidade de componentes de multicaminho seja variável no tempo, exigindo a incorporação de um esquema de seleção de ordem de modelo (MOS) adequado. Neste artigo, propomos uma estrutura completa incluindo as seguintes etapas: estimativa do número de componentes de multicaminho, separação dos sinais de origem por meio de uma abordagem baseada em tensores e estimativa do atraso de tempo da linha de visão (LOS) componente. Para estimar a ordem do modelo, consideramos o método baseado em função discriminante (DFBM), que é adequado para cenários de ruído colorido. Para estimar a ordem do modelo em cenários dinâmicos, consideramos o TExponential Fitting Test (EFT). Além disso, mitigamos significativamente o efeito de componentes de multicaminho incorporando a etapa de pré-processamento Tensor-based Multiple Denoising (MuDe) na estrutura proposta. Por fim, o framework proposto em cenários dinâmicos agrupa as épocas com as mesmas ordens de modelo formando subtensores com ordem de modelo estimadas. Portanto, tal agrupamento permite maior precisão.-
Descrição: dc.descriptionGlobal Navigation Satellite Systems (GNSS), such as the American Global Positioning System (GPS), European Galileo, Russian GLONASS, and Chinese BeiDou, are crucial for applications that demand very accurate positioning. Time-delay estimation tensor-based methods, such as Canonical Polyadic Decomposition by Generalized Eigenvalue Decomposition (CPD-GEVD), Direction of Arrival Khatri-Rao Factorization (DoA/KRF), and Canonical Polyadic Decomposition via simultaneous matrix diagonalization (SECSI), can be combined with the third-generation GPS (GPS3) L1C Civil (L1C) signal in order to significantly mitigate the positioning degradation caused by multipath components. However, these schemes assume that the number of multipath components is constant and known, although, in practice, the amount of multipath components is time-varying, requiring the incorporation of a suitable model order selection (MOS) scheme. In this paper, we propose a complete framework including the following steps: estimation of the number of multipath components, separation of the source signals via a tensor-based approach, and estimation of the time-delay of the estimated line of sight (LOS) component. To estimate the model order, we consider the discriminant function based method (DFBM), which is suitable for colored noise scenarios. To estimate the model order in dynamic scenarios, we consider the Exponential Fitting Test (EFT). Moreover, we significantly mitigate the effect of multipath components by incorporating the pre-processing step called Tensor-based Multiple Denoising (MuDe) approach in our proposed framework. Finally, the proposed framework in dynamic scenarios groups the epochs with the same model orders forming sub-tensors with constant model order. Therefore, such grouping allows for increased accuracy.-
Formato: dc.formatapplication/pdf-
Direitos: dc.rightsAcesso Aberto-
Direitos: dc.rightsA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.-
Palavras-chave: dc.subjectGlobal Navigation Satellite Systems (GNSS)-
Palavras-chave: dc.subjectGlobal Positioning System (GPS)-
Palavras-chave: dc.subjectModel Order Selection (MOS)-
Palavras-chave: dc.subjectExponential Fitting Test (EFT)-
Título: dc.titleTensor-based framework with model order selection, denoising and high accuracy matrix decomposition for third generation global positioning system time-delay estimation in dynamic multipath scenarios-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB

Não existem arquivos associados a este item.