May, 2024

基于 CSI 的位置感知多环境元学习的迁移学习

PDF
TL;DR通过利用深度学习技术，该研究论文提出了一种新颖的模型结构，其中包括两个部分，第一部分旨在识别与环境无关的特征，而第二部分将这些特征与特定的环境结合起来以实现定位目标。该文研究发现，采用多环境元学习方法可以显著提高在新目标环境中用户设备定位的准确性及其不确定性估计的可靠性，且优于传统的迁移学习方法。
deep learningradio-based positioningchannel state informationmulti-environment meta-learningtransfer learning
发现论文，激发创造
  • 基于 CSI 指纹的多环境元学习在无线电定位中的应用

    本文提出了一种新的深度学习模型，通过学习环境无关的特征，并结合特定环境中的特征，基于多个环境的元学习方案来提高无线定位的精度和泛化性能。在新环境下使用该元学习模型初始化能够有效地进行转移学习，从而提高用户设备的定位精度。

    Oct, 2022

  • 基于元学习的通道状态信息全方位室内定位模型

    该论文提出了一种基于元学习的室内定位模型，以应对传统基于深度学习的定位模型的泛化性不足。新算法 TB-MAML 可在数据集有限的情况下进一步提高泛化能力，并评估了其性能。

    May, 2023

  • 基于深度迁移学习的 FDD 大规模 MIMO 系统下行信道预测

    本文提出一种结合深度迁移学习和元学习的算法，以预测频分双工大规模多输入多输出系统下行信道状态信息 (CSI)。模拟结果表明，该算法在新环境中具有更好的表现，且元学习算法比直接迁移算法具有更高的预测准确性和稳定性。

    Dec, 2019

  • 5G 下的 RF 指纹和深度学习辅助 UE 定位

    通过使用射线追踪工具和系统级模拟器，研究使用深度学习技术辅助用户设备在 5G 及更高网络中的定位能力，这项技术在无线资源管理方面更为高效和简单，并为未来网络提供了更积极的移动管理机制。

    Jan, 2020

  • 联合 URRC 和 eMBB 资源分配的深度学习辅助 CSI 估计

    通过采用深度学习技术，本文提出了一种能够解决在高速移动车辆网络中获取发射端信道状态信息的技术，在此基础上进一步解决了一种基于动态网络切片的资源分配问题，实现了全面减少开销和满足阈值的性能优化

    Mar, 2020

  • 深度 UL2DL：从上行到下行的信道知识转移

    利用深度卷积神经网络和生成对抗神经网络来利用上行 CSI 推断下行 CSI，实现无需反馈的数据驱动方案，以发现信道状态信息用于有效分配无线资源，在 FDD 通信中准确推断数据。

    Dec, 2018

  • Dig-CSI：一个分布式和生成模型辅助的 CSI 反馈训练框架

    使用分布式生成器通过用户设备上传并使用局部数据进行训练，Dig-CSI 实现了具有较轻通信开销且性能可比的全局 CSI 反馈模型训练。

    Dec, 2023

  • 环境反漏信号检测的深度迁移学习

    本文提出了一种基于深度迁移学习 (CNN) 和最小误差概率标准 (MEP) 的 DTL 检测框架，旨在消除通道估计需求以提高 AmBC 系统的性能，结果表明该方法的误码率性能可与完美 CSI 的最优检测方法相媲美。

    Sep, 2020

  • 基于 DNN 的信道估计定位：特征设计和实验结果

    本文讨论了在大规模 MIMO 移动通信系统中，利用深度神经网络（DNN）进行基于信道状态信息（CSI）的定位的实际问题，并引入了一种基于特征设计的方法来提高 DNN 的性能，该方法的目标是使特征对于考虑的障碍是不变的。通过在户外校园环境中收集到的地理标记 CSI 数据集上进行实验评估，表明本文所提出的方法具有很高的效率，并可以很好地适用于定位任务。

    Mar, 2020

  • 基于 CSI 图像的少样本元学习的动态室内指纹定位

    利用一种数据高效的元学习算法，本文提出了一种创新的室内定位方法，解决了指纹定位在数据获取成本高和基于静态数据库估计的不准确性方面的问题。使用历史定位任务改善适应性和学习效率，在动态室内环境中采用 “学习如何学习” 的元学习范式。我们引入了任务加权损失函数来提高这一框架内的知识传递。全面的实验验证了该方法在有限 CSI 数据场景中的稳健性和优越性，平均欧几里得距离提升了 23.13%。

    Jan, 2024