基于循环神经网络利用信道状态信息的厘米级室内定位
信号处理
2020-02-05 v1 机器学习
摘要
物联网或自动驾驶中的现代技术比以往任何时候都要求更精确的定位。经典定位技术主要适应于室外场景，却无法满足具有多径效应的室内场景需求。同时，作为一种对噪声和时间变化具有鲁棒性的特征，信道状态信息（Channel State Information, CSI）在更精确定位方面已显示出优于接收信号强度指示（Received Signal Strength Indicator, RSSI）的优势。为此，本文提出一种神经网络方法，利用从线性天线采集的真实 CSI 数据来估计厘米级室内定位。该方法采用信道响应的幅度或相关矩阵作为输入，可大幅减小数据量并抑制噪声。此外，其通过循环神经网络（Recurrent Neural Network, RNN）和信噪比（signal-noise ratio, SNR）信息利用用户运动轨迹的一致性，可进一步提高估计精度，尤其在小规模数据学习中。基于与其他经典监督学习方法的对比结果，这些贡献均有益于神经网络的效率。
引用
@article{arxiv.2002.01411,
title = {Centimeter-Level Indoor Localization using Channel State Information with Recurrent Neural Networks},
author = {Jianyuan Yu and R. Michael Buehrer},
journal= {arXiv preprint arXiv:2002.01411},
year = {2020}
}