NAGIOS: RODERIC FUNCIONANDO

Distributed radio map reconstruction for 5G automotive

Repositori DSpace/Manakin

IMPORTANT: Aquest repositori està en una versió antiga des del 3/12/2023. La nova instal.lació está en https://roderic.uv.es/

Distributed radio map reconstruction for 5G automotive

dc.contributor.author	Chowdappa, Vinay-Prasad
dc.contributor.author	Botella Mascarell, Carmen
dc.contributor.author	Samper Zapater, José Javier
dc.contributor.author	Martínez Durá, Rafael Javier
dc.date.accessioned	2021-08-23T08:19:36Z
dc.date.available	2021-08-24T04:45:05Z
dc.date.issued	2018	es_ES
dc.identifier.citation	V. Chowdappa, C. Botella, J. J. Samper-Zapater and R. J. Martinez, "Distributed Radio Map Reconstruction for 5G Automotive," in IEEE Intelligent Transportation Systems Magazine, vol. 10, no. 2, pp. 36-49, Summer 2018	es_ES
dc.identifier.uri	https://hdl.handle.net/10550/80122
dc.description.abstract	Se espera que los mapas de entorno radio sean una herramienta esencial para la optimización y gestión de recursos del 5G en vehículos. En este trabajo, consideramos el problema de la reconstrucción del mapa de entorno radio utilizando una red de sensores inalámbricos formada por nodos sensores en vehículos, nodos de acceso de una infraestructura de ciudad inteligente, etc. Debido a las limitaciones de recursos en las redes de sensores, es crucial seleccionar un pequeño número de mediciones de los sensores para reconstruir el campo. En este contexto, presentamos un novedoso algoritmo distribuido basado en el método de regresión Kriging para la reconstrucción del mapa de entorno radio en términos de potencia media recibida en lugares donde no se dispone de mediciones de los sensores. Los componentes de pérdida de trayectoria y de sombra del canal inalámbrico se estiman por separado. Para la estimación de las pérdidas por sombra, se forman grupos de sensores de forma adaptativa y su tamaño se optimiza en en términos del menor número de sensores posible minimizando la varianza ordinaria de Kriging. Se obtiene la complejidad del algoritmo propuesto y se presentan resultados de simulación para mostrar la eficacia del algoritmo para la reconstrucción del campo.	es_ES
dc.description.abstract	Radio maps are expected to be an essential tool for the resource optimization and management of 5G automotive. In this paper, we consider the problem of radio map reconstruction using a wireless sensor network formed by sensor nodes in vehicles, access nodes from a smart city infrastructure, etc. Due to limited resource constraints in sensor networks, it is crucial to select a small number of sensor measurements for field reconstruction. In this context, we present a novel distributed incremental clustering algorithm based on the regression Kriging method for radio map reconstruction in terms of average received power at locations where no sensor measurements are available. The path-loss and shadowing components of the wireless channel are separately estimated. For shadowing estimation, clusters of sensors are adaptively formed and their size is optimized in terms of the least number of sensors by minimizing the ordinary Kriging variance. The complexity of the proposed algorithm is analyzed and simulation results are presented to showcase the algorithm efficacy to field reconstruction.	en_US
dc.description.sponsorship	Generalitat Valenciana. Direcció General d’Universitat, Estudis Superiors i Ciència	es_ES
dc.description.sponsorship	Ministerio de Ciencia e Innovación	es
dc.language.iso	en_US	es_ES
dc.publisher	IEEE	es_ES
dc.subject	radio maps	es_ES
dc.subject	distributed channel prediction	es_ES
dc.subject	kriging	es_ES
dc.title	Distributed radio map reconstruction for 5G automotive	es_ES
dc.type	journal article	es_ES
dc.subject.unesco	UNESCO::CIENCIAS TECNOLÓGICAS	es_ES
dc.identifier.doi	10.1109/MITS.2018.2806632	es_ES
dc.accrualmethod	-	es_ES
dc.embargo.terms	0 days	es_ES
dc.relation.projectID	GRISOLIA/2012/028
dc.relation.projectID	MINECO/Grant RACHEL TEC2013-47141-C4-4-R