Aug, 2023

无位置标签的室内基于区域的无线电图构建

PDF
TL;DR使用无需位置标签的接收信号强度（RSS）测量数据，本文开发了一个基于区域的无线电地图构建方法，并提出了集成分割和聚类算法来解决 RSS 数据的聚类和区域匹配问题，结果表明该方案能够将区域定位误差降低约 50%，甚至优于一些需要标记数据进行训练的监督定位方案，如最近邻（KNN）、支持向量机（SVM）和深度神经网络（DNN）
radio map constructionreceived signal strength (rss) measurementsclustering algorithmregion localization errorsupervised localization schemes
发现论文，激发创造
  • 基于部分标记数据的无线电地图重构深度学习

    针对基于位置相关射频测量和利用关于本地区域的侧面知识（例如城市计划、地形高度、网关位置）的接收信号强度图的重建问题，本文采用神经架构搜索找到最佳神经网络模型的最佳架构，并证明使用附加的侧面信息提高了三个现实城市的接收信号强度图重建的最终准确性，特别是在通常观察到平均接收信号功率变化较大的门附近的子区域。

    Jun, 2023

  • 多模态室内定位方式的众包无线电地图应用

    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

  • 利用机器学习技术改进的物联网应用的室内定位

    利用机器学习算法和无线技术实现基于接收信号强度指示器 (RSSI) 的室内定位，通过测试不同的机器学习模型和无线技术，评估室内环境下的定位精度和稳定性。

    Feb, 2024

  • 使用无线电图实现实时户外定位：深度学习方法

    该论文提出了一种基于收到的信号强度（RSS）的基站的卷积、端到端训练的神经网络（NN）LocUNet，可在城市环境中实现用户的定位，并展示了其在现实城市环境中优于现有竞争方法的性能。

    Jun, 2021

  • 现实世界中无线电图估计：实证验证与分析

    通过使用无人机收集大量数据，并对现有的射频地图估计器进行评估，本研究揭示出具有深度神经网络 (DNNs) 的复杂估计器表现最佳，但需要大量训练数据才能相对传统方案提供实质性优势，同时还提出了一种混合两种类型估计器的新算法，展示了进一步探索该研究方向的潜力。

    Oct, 2023

  • 室内 GNN：基于图神经网络的 WiFiRSSI 室内定位方法

    我们开发了一种名为 'IndoorGNN' 的方法，它使用基于图神经网络（GNN）的算法，以一种监督方式将特定位置分类为特定区域，基于在该位置收集到的 RSSI 值。我们的实验证明，IndoorGNN 在数据集受限的情况下能够表现出与完整数据集相当的预测准确性，而且相比于传统方法和基于 GNN 的方法，它在室内定位任务中具有更好的位置预测准确性。

    Dec, 2023

  • 利用几何模型辅助深度学习的衍射和散射感知无线地图与环境重建

    通过利用接收信号强度数据并利用环境的几何结构联合构建无线电地图和虚拟环境，该论文提出了一种机器学习方法，用于快速构建 5G 及以后无线通信系统的信道模型。实验证明，该模型在重建 3D 虚拟环境方面表现出色，并在无线电地图构建方面优于现有方法，准确性提高了 10%-18%。同时，该模型在转移到新环境时可以减少 20% 的数据和 50% 的训练时期。

    Mar, 2024

  • 基于骨架辅助的学习聚类算法在室内定位中的应用

    本文提出了一种基于骨架辅助的基于聚类的学习本地化系统，旨在解决室内无线定位中的时变问题，通过 RSS 测量和基于骨架的最短路径相似性进行聚类信息提取，实现了自适应指纹库的构建，优化了权重近邻法的定位精度。

    Jul, 2023

  • 无线电地图估计：一种基于数据驱动的频谱制图方法

    介绍了广泛应用的无线电图，并讨论了无线电图估计的最显著方法，包括从简单的回归到更复杂的算法，包括最先进的技术。

    Feb, 2022

  • Geo2SigMap: 使用地理数据库进行高保真度射频信号映射

    通过使用地理数据库，Geo2SigMap 是一个基于机器学习的高效高保真度的射频信号绘制框架，使用自动化框架进行大规模 3D 建筑地图和射线追踪建模，利用环境信息和稀疏测量数据，采用级联 U-Net 模型生成详细的射频信号图，并通过真实世界测量验证，取得了较现有方法更好的预测无线电信号的性能。

    Dec, 2023