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

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

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

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

基于 Ultra-wideband（UWB）技术的室内定位系统由于其提供厘米级定位精度的能力而受到认可。然而，这些系统经常面临密集多径衰落导致的定位误差挑战。为了解决这个问题，在本信中我们提出了一种利用深度嵌入聚类（DEC）的无监督锚节点选择的新方法。我们的方法在聚类之前使用自动编码器（AE），从而更好地将 UWB 特征分为可分离的 UWB 输入信号聚类。我们进一步研究如何基于聚类质量对这些聚类进行排序，从而能够去除不可靠的信号。实验结果显示了我们提出的方法的效率，相比不排除锚点，平均绝对误差（MAE）显著减少了 23.1%。尤其在密集多径区域，我们的算法实现了更显著的改进，将 MAE 减少了 26.6%，将 95th 百分位误差减少了 49.3%。

Apr, 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

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