Nov, 2023

室内毫米波定位利用多个自主学习的微型神经网络

PDF
TL;DR本研究提出了使用多层感知机神经网络（NN）在大型室内环境中定位移动毫米波客户端的方法。通过选择多个经过自监督训练的小型 NN，并根据最佳 NN 进行切换，我们解决了定位准确性不足的问题。我们提出了两种切换方案：基于卡尔曼滤波和基于训练数据的统计分布。通过模拟分析，我们证明了我们的方法优于几何定位方案和使用单个 NN 的方法。
localizationmobile millimeter-wave clientneural networksself-supervised trainingswitching schemes
发现论文，激发创造
  • 基于 IMU 监督的神经网络室内定位技术

    利用惯性测量单元（IMU）计算伪标签，本文提出了一种无需昂贵采集位置标签的无线电信号用户定位方法，并展示了在模拟和真实 5G 测量数据中达到分米级准确度的实验结果。IMU 辅助方法与完全监督方法相比性能相似，但部署所需的工作量明显减少。

    Feb, 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

  • 毫米波无线定位的半监督 t-SNE

    本文提出了一种半监督的分布式随机邻居嵌入算法（St-SNE），可在未来毫米波无线网络中解决移动定位问题，并实现了一个在 200*200 平方米区域内只需标记 5％的 CSI 样本，平均定位误差为 6.8 米的结果。

    Nov, 2021

  • 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

  • FeMLoc：面向物联网网络中自适应室内无线定位任务的联邦元学习

    FeMLoc 是一个联邦元学习框架，专注于室内定位领域，通过在众多边缘设备的不同定位数据集上进行协同元训练，以及在新环境中的快速自适应，实现了较传统神经网络方法更准确、更快速的室内定位，同时大大减少了指纹数据收集和校准的工作量，具备适应新兴无线通信技术推动的大规模连接的可扩展性，还具备隐私保护的元学习特征。

    May, 2024

  • 基于无线信号的机器学习定位全面调查

    本文探讨了基于射频信号的机器学习定位系统，涵盖了架构、输入特征、机器学习方法和数据集等方面，对该领域中近 400 篇论文进行了分类和概述。

    Dec, 2020

  • 城市环境下毫米波无线网络的定位技术

    分析利用毫米波技术的二步式定位方法在城市环境下利用到达时间、到达角度和离开角度从多个节点获得的信号，以及利用具有无线电环境映射（REM）的网络定位附近散射体的性能，并提出梯度辅助粒子滤波（GAPF）估计器来解决 UE 位置估计中的问题，该估计器的性能与 Cramer-Rao bound（CRB）相匹配。

    May, 2018

  • 用于智能手机不变室内定位的多头注意力神经网络

    本研究提出了一种基于多头注意力神经网络的室内定位框架，能够有效应对智能手机设备异构性导致的 RSSI 信号特性差异问题，并在多样化的室内环境中，相比于现有技术，提升了高达 35% 的定位准确性。

    May, 2022

  • 基于信道绘图辅助的毫米波网络 IoT 定位的半监督学习

    本文提出了一种基于卷积自编码器的信道图辅助定位方法，结合多路径信道状态信息，通过无人监督学习构建信道图以捕捉每个无线设备的相对位置，再引入半监督学习，进一步提高了定位精度。与现有的有监督和传统无监督方法相比，所提出的方法在精度上得到了显著提高。

    Aug, 2021

  • 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