Dec, 2023

室内 GNN：基于图神经网络的 WiFiRSSI 室内定位方法

PDF
TL;DR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。
indoor localizationwifirssi-based localizationgraph neural networkprediction accuracy
发现论文，激发创造
  • 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

  • 使用深度学习增强特征增益的梯度提升室内定位

    本研究基于物联网采用星形网络连通拓扑模型结合深度学习方法提出了一种新的基于梯度提升算法增强的 Step-Wise 特征增强的人工神经网络 (indoor localization) 方法，通过采集蓝牙低功耗模块的接收信号强度指示器 (RSSI) 来建立一套数据集，然后使用深度神经网络和转移学习技术进行决策树的特征增强。实验结果表明，相对于现有的梯度提升和深度学习方法，本文方法的定位精度提高了 8% 以上，平均定位误差为 0.77 米。

    Nov, 2022

  • 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

  • 基于图像位置网络的零样本多视角室内定位

    本研究提出了一种新的基于神经网络的架构，在无基础设施的情况下，利用多视角图像进行室内定位，同时还通过零样本室内定位设置来拓展模型的应用范围。通过与现有方法进行比较，验证了该模型的高精度和良好的应用前景。

    Aug, 2020

  • 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

  • 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

  • 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

  • 大规模网络定位的图神经网络

    本研究采用图神经网络（GNN）解决经典的非线性回归问题 —— 网络定位，并发现 GNN 在精度、鲁棒性和计算时间方面潜在成为大规模网络定位的最佳解决方案，适当的通信范围阈值对其高性能至关重要。此外，本研究提出的基于 GNN 的方法通过数据聚合、非线性可见性去噪和低通滤波等技术使其在邻居选择阈值上的优化成为可能。仿真结果表明，该方法远优于先前的最新基准。

    Oct, 2020

  • 基于 ANN 的受约束室内无线网络 RSSI 估计

    在物联网（IoT）这个不断扩大的领域中，无线信道估计是一个重要的挑战，尤其是对于低功耗物联网（LP-IoT）通信来说，效率和准确性非常重要。本研究使用人工神经网络（ANN）建立了两个不同的 LP-IoT 无线信道估计模型：基于特征的 ANN 模型和基于序列的 ANN 模型。这两个模型都旨在通过降低 LP-IoT 无线信道的估计误差来提高 LP-IoT 通信。基于特征的模型旨在利用环境特征捕捉测得的接收信号强度指示器（RSSI）数据的复杂模式。基于序列的方法利用预先确定的分类技术来估计特定选择的环境特征的 RSSI 序列。研究结果表明，我们提出的方法在信道估计方面具有显著的精度，基于特征的模型的均方误差（MSE）改进了 88.29％，基于序列的模型改进了 97.46％，相较于现有研究。此外，与传统和其他基于深度学习（DL）的技术的比较分析还突显了我们开发的模型的卓越性能和在实际物联网应用中的潜力。

    Apr, 2024

  • 基于强化学习信息融合的混合室内定位

    本文介绍了一种基于强化学习信息融合框架（RL-IFF）的新型解决方案，通过将到达角度（AoA）与 RSSI 基于粒子滤波和 IMU 基于 Dead Reckoning（PDR）框架相结合，旨在解决 Bluetooth Low Energy 在智能城市中室内动态跟踪 / 定位方法的无法靠谱的问题，实验证明其性能优于同类方案。

    Oct, 2022