Mar, 2016

基于 CSI 的室内定位指纹识别：一种深度学习方法

PDF
TL;DR本文介绍了一种利用 CSI 的深度学习室内指纹系统 DeepFi，通过线下训练和线上定位两个阶段实现对室内定位的高精度，与现有三种方法相比证实了 DeepFi 有效减少定位误差。
indoor positioningfingerprintingdeep learningchannel state informationlocation error
发现论文，激发创造
  • 一维卷积神经网络 CSI 室内定位框架

    本文提出了一个包括数据收集，模式聚类，降噪，校准和轻量级一维卷积神经网络模型的端到端解决方案，并使用信号指纹技术解决复杂室内环境下通道状态信息的检测问题，实验表明该方法性能达到最佳神经网络和信道状态信息室内定位作品的 68.5％，参数极少。

    May, 2022

  • 基于注意力增强残差卷积神经网络的 CSI 指纹室内定位

    本文提出了一种新的室内定位系统，使用了注意力增强的残差卷积神经网络和深度轨迹先验来提高定位精度和追踪效果，并探讨了惯性测量单元精度差异对追踪性能的影响及其解决方法。

    May, 2022

  • 基于指纹识别的室内定位的深度学习方法综述

    本论文综述了在室内定位中利用深度学习的方法，包括对不同指纹类型的优缺点、已提出的解决方案以及性能评估等方面进行了综合分析比较，还介绍了公开数据集和实施过程中可能遇到的挑战和问题，为未来研究提供了一些展望。

    May, 2022

  • 基于 CSI 图像的少样本元学习的动态室内指纹定位

    利用一种数据高效的元学习算法，本文提出了一种创新的室内定位方法，解决了指纹定位在数据获取成本高和基于静态数据库估计的不准确性方面的问题。使用历史定位任务改善适应性和学习效率，在动态室内环境中采用 “学习如何学习” 的元学习范式。我们引入了任务加权损失函数来提高这一框架内的知识传递。全面的实验验证了该方法在有限 CSI 数据场景中的稳健性和优越性，平均欧几里得距离提升了 23.13%。

    Jan, 2024

  • 运用深度学习技术进行 WiFi 指纹的低投入场所辨识

    本文研究使用深度神经网络来提高室内定位系统的可靠性和准确性，以 WiFi 信号为主要定位模式，并利用 UJIIndoorLoc 数据集进行实验和验证。

    Nov, 2016

  • 多波段可变自编码器增强的室内定位信道预测方案

    在本文中，我们提供了一个方案，通过从另一个传输通道预测信道状态信息（CSI）值，并将多频段信息拼接在一起，从频域改进室内指纹定位的准确性。我们在 COST 2100 模拟数据和从办公场景中收集的实时正交频分复用（OFDM）WiFi 数据上测试了我们提出的方案。

    Sep, 2023

  • 基于 CSI 指纹的多环境元学习在无线电定位中的应用

    本文提出了一种新的深度学习模型，通过学习环境无关的特征，并结合特定环境中的特征，基于多个环境的元学习方案来提高无线定位的精度和泛化性能。在新环境下使用该元学习模型初始化能够有效地进行转移学习，从而提高用户设备的定位精度。

    Oct, 2022

  • 基于 CSI 的多天线和多点室内定位使用概率融合

    本文提出了一种利用基于神经网络的信道状态信息指纹技术的定位管道，通过从一个或多个不同步接入点（AP）获得的上行 CSI 测量来实现无线局域网 MIMO-OFDM 系统的室内和室外定位，达到厘米级中位距离误差的性能优化。

    Sep, 2020

  • 稳健全局通道绘图室内定位：一种基于时间距离的方法

    本研究提出了一种基于通道编制和指纹定位的距离度量方法，通过使用孪生神经网络来有效地优化全局通道图以提高室内定位准确度，使定位精度为 5G 和 UWB 设置分别为 1.4m 和 0.69m。

    Oct, 2022

  • 基于注意力机制的 CSI 无线定位

    本研究提出了一种基于注意力机制的 CSI（Channel State Information）用于深度神经网络的鲁棒特征学习，在铁路环境中的表现优于使用基础 DNN。

    Mar, 2022