基于大规模 MIMO 系统的实用室内定位
研究了利用大规模 MIMO 系统的信道状态信息 (CSI) 的用户定位系统的性能。设计了一种卷积神经网络,并通过一个新颖的数据集进行了评估,该数据集利用三种不同的天线拓扑结构进行了室内 MaMIMO CSI 测量,覆盖了室内 2.5 米乘 2.5 米的区域。研究结果表明,可以通过训练 CNN 模型来估计用户在该区域内的位置,平均误差小于半个波长。此外,我们还表明,通过使用少量的标记样本,可以进一步训练 CNN,来应用于不同的天线拓扑和配置。这种迁移学习方法能够达到精确的结果,为基于 CSI 的定位系统铺平道路。
Nov, 2019
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
本文研究了在现有 OFDM MIMO 系统中,仅基于正交频分复用(OFDM)复杂频道系数的深度神经网络在多输入多输出(MIMO)用户定位方面的可用性,提出了一种两步训练流程来减少所需的训练点数量。
Apr, 2018
本文介绍了一种新的通道声纳架构,可测量不同频段、天线几何和传播环境下的多天线和多子载波通道状态信息(CSI),该架构可用于进行不同应用程序的各种深度学习(DL)技术研究,例如在三维空间中的室内用户定位。通过室内室外的广泛测试,可以提供更全面的开放 CSI 数据集,并标记位置以供科学界进一步测试各种算法。
Oct, 2018
该研究介绍了一种新的神经网络架构,使用卷积神经网络压缩和反馈信道状态信息,加入长短期记忆模块以实现多路径输入多路径输出(MIMO)通信的量化 CSI 反馈性能提高,实验结果表明该 NN 架构在 CSI 压缩和恢复准确性方面表现更好。
Nov, 2018
本文讨论了在大规模 MIMO 移动通信系统中,利用深度神经网络(DNN)进行基于信道状态信息(CSI)的定位的实际问题,并引入了一种基于特征设计的方法来提高 DNN 的性能,该方法的目标是使特征对于考虑的障碍是不变的。通过在户外校园环境中收集到的地理标记 CSI 数据集上进行实验评估,表明本文所提出的方法具有很高的效率,并可以很好地适用于定位任务。
Mar, 2020
本文提供了一个初步的探究,使用卷积神经网络(CNNs)和测量到的海量 MIMO 通道进行基于指纹的定位。我们评估了利用 COST 2100 通道模型生成的信道指纹的现代 CNN 的定位精度,发现适度深的 CNN 可以实现分数波长的定位精度,前提是有足够代表性的数据集进行训练。
Aug, 2017
本文提出了一种多速度压缩感知神经网络框架来压缩和量化 CSI,从而提高重建精度、减少存储空间,增强系统可行性,并通过可视化参数研究了基于深度学习的 CSI 反馈方法的压缩和重建机制,提供了随后的研究指导。
Jun, 2019
本研究论文探讨了利用众包无线电地图作为多模式室内定位系统中楼层平面图的替代方案,通过引入一种新的框架来解决无线电地图不准确和覆盖不足的挑战,并结合一种基于深度学习的 WiFi 定位模型和一种贝叶斯融合技术来实现最佳融合,通过在多个真实场景上的广泛评估,结果显示相比最佳基线系统有约 25% 的性能提升。
Nov, 2023
使用运动和环境传感器的基于机器学习的室内定位系统,在关注隐私的工厂环境中实现对移动实体的定位,通过多元时间序列分类进行问题建模,并比较分析不同的机器学习模型的准确性、内存使用和推理速度。结果表明,评估的所有模型均能实现超过 80%的准确性;其中,CNN-1D 表现最平衡,其次是 MLP;DT 的内存占用和推理延迟较低,表明在实际场景中有潜力进行部署。
Aug, 2023