Apr, 2023

针对 UWB 定位的新型属性加权朴素贝叶斯 NLoS 分类器

PDF
TL;DR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。
发现论文，激发创造
  • 基于特征的广义高斯分布方法在超宽带（UWB）室内定位系统 NLoS 检测中的应用

    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

  • 基于首个路径组件功率的非直视传播抑制技术在 UWB 定位系统中的应用

    该论文描述了一种用于 UWB 定位系统的 NLOS（非直射视线）抑制方法，该方法将定位对象与构成系统基础设施的锚定点之间的传播条件分类为 LOS（直射视线）、NLOS 和严重 NLOS。通过首次信号成分功率测量进行非直射视线检测，并据此估计每个类别的平均 NLOS 到达时间偏差和偏差标准差。使用基于扩展卡尔曼滤波器（EKF）的算法来定位标签，NLOS 抑制方法通过纠正在 NLOS 条件下获得的测量结果并降低其在标签位置估计过程中的重要性。该论文包括了该方法的描述以及进行的实验结果。

    Mar, 2024

  • 一种 ICA 集成学习方法用于 UWB NLOS 信号数据分类预测

    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

  • 基于 UWB 波形的半监督学习方法用于测距误差补偿

    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

  • 降低复杂性的基于 Kernel 方法的精确 UWB 测距

    该研究探讨了在非直观传输环境下基于超宽带技术的测距方法，提出了一种基于核主成分分析的新型测距方法，经实际测试证明，该方法表现优异。

    Nov, 2015

  • NLOS UWB 通道中直接路径组件缺失的检测

    本文提出了一种新颖的非直视（NLOS）识别技术，通过支持向量机（SVM）算法基于不同的信号特征进行 NLOS 识别，并介绍了实验结果。

    Apr, 2024

  • 基于深度学习的大规模 MIMO 室内用户定位

    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

  • 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

  • 基于机器学习的非直射地面通信定位方法：输入表示和不确定性估计

    本文探讨了非直线视距（NLOS）定位中使用三种不同的输入表征（单无线电路径特征、无线电链路特征和基于图像的表征）以及两种卷积神经网络，并测量了各种特征的可用性对模型性能的影响。该研究的收获在于激发了未来构建更高效神经网络的工作，并提供了对 NLOS 定位有用的应用特征。

    Apr, 2023

  • 自适应信道感知超宽带 DL-TDOA 的功耗效率室内定位

    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