Real-Time Anchor Node Selection For Underwater TDOA Localization: A Convex-Optimization-Driven Neural Framework
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Anchor node selection for underwater time difference of arrival (TDOA) localization struggles to balance accuracy and computational cost. This paper proposes a convex-optimization-driven framework to overcome this. We first relax a Boolean selection problem into a convex semidefinite program (SDP) to generate near-optimal labels offline. A lightweight convolutional neural network (LCNN) is then trained to learn the mapping from measurements to selection strategies. During operation, the LCNN performs millisecond-level inference, matching the accuracy of exhaustive search while reducing selection time by over 220 times compared to SDP. This method achieves real-time optimal anchor selection in underwater acoustic localization.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Real-Time Anchor Node Selection For Underwater TDOA Localization: A Convex-Optimization-Driven Neural Framework
- Date Crossref
- 03/05/2026
- Éditeur
- IEEE
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Les institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.