降低复杂性的基于 Kernel 方法的精确 UWB 测距
本文提出了一种基于变分贝叶斯的半监督深度学习方法,用于 UWB 定位系统的误差校正,通过融合深度学习技术和统计工具,实现从有标记和未标记的数据样本中高效地累积知识,相较于其他全监督方法,即使在低监督比例下,也取得了更好的性能。
May, 2023
本文以 Linkoping 大学的地下隧道对频谱的复数脉冲响应进行了测量研究,重点阐述了 TOA 测距技术在建立基于距离的定位系统中的应用,并提供了 NLOS 识别误差和传播参数分析结果。
Dec, 2013
本文提出了一种基于弱监督的学习框架,采用基于广义期望最大化(GEM)算法的深度学习方法,在弱监督标签的先验信息下对超宽带(UWB)测距误差进行鲁棒处理,实现了从原始数据中利用高语义特征的性能改进。
May, 2023
本文提出并实施了一种新颖的低功耗、适应信道特性的动态频率下行到达差异时间测距算法,通过基于卷积神经网络(CNN)的 NLOS 概率预测器、动态测距频率控制模块和基于 IMU 传感器的测距滤波器,实验证明该算法在 NLOS 条件下的准确度比先前研究的基准方法提高了 50%,在 LOS 条件下的功耗降低了 46%。
Feb, 2024
提出了一种基于特征的高斯分布和广义高斯分布 Non-Line-of-Sight 检测算法,可用于改善所提供的数据库中 NLoS 和 LoS 信号不平衡造成的定位不精确度问题,比 SVM、DT、NB 和 NN 算法效果更好。
Apr, 2023
提出了一种新颖的 Fine-Tuned attribute Weighted Naive Bayes (FT-WNB) 分类器以用于室内定位系统中的 UltraWide Bandwidth 信号的 Line-of-Sight (LoS) 和 Non-Line-of-Sight (NLoS) 的识别,其性能比现有的最先进的机器学习方法在该场景下显著更好。
Apr, 2023
本研究提出了一种新颖的自我监督深度强化学习方法,其利用通道脉冲响应作为状态,并预测修正以最小化纠正后和估计范围之间的误差,实验结果证明其性能与最先进的监督方法相当,克服了数据依赖性和泛化性不足的限制,在解决实际可扩展的 UWB 范围误差方面具有很大潜力。
Mar, 2024
在搜索与救援(SAR)场景中,困人的检测是普适计算中面临的重大挑战,本研究采用机器学习技术来解决这个问题,通过利用无线通信协调信息并使用超宽带雷达信号在非直线可视(NLOS)场景中识别个体,实验结果表明所提出的方法在静态数据和动态数据上分别获得了 88.37% 和 87.20% 的分类准确性,对 SAR 行动中科学家和工程师做出即时决策具有积极意义。
Feb, 2024
本文通过多臂老虎机框架,提出了一种在线学习算法,用于选择和优化天线成对的方向,以最大化功率角谱在该位置上的峰值,并在较短的时间步数内实现与无遗漏搜索相当的性能。
Sep, 2018
本研究提出并评估两个基于核函数的自适应在线算法来重构蜂窝网络中的覆盖图,通过加入用户运动轨迹的辅助信息来提高算法的收敛性能和估计质量,并利用数据的可压缩性来降低算法的复杂度,最终通过大量模拟实验验证了算法在真实场景下提供快速、稳健的覆盖图估计能力和路径损失预测的应用前景。
Apr, 2014