基于复值神经网络的联邦学习用于多用户室内定位性能优化
信息论
2024-03-20 v2 信号处理
math.IT
摘要
本文研究了利用信道状态信息 (CSI) 进行室内定位的问题。在所考虑的模型中，配备多天线的服务器向用户发送导频信号，而每个用户利用接收到的导频信号估计信道状态以进行用户定位。为此，我们将定位问题表述为一个优化问题，旨在最小用户估计位置与真实位置之间的差距。为了解决这个问题，我们设计了一种基于复值神经网络 (CVNN) 模型的联邦学习 (FL) 算法。与标准的实值集中式机器学习 (ML) 方法相比，我们提出的算法具有两个主要优势。首先，我们提出的算法可以直接处理复值 CSI 数据而无需数据转换。其次，我们提出的算法是一种分布式 ML 方法，不需要用户将他们的 CSI 数据发送到服务器。由于我们提出算法的输出是包含实部和虚部的复值，我们研究了使用 CVNN 实现两个学习任务。首先，所提出的算法直接输出用户的估计位置。此处，输出神经元的实部和虚部代表用户的二维坐标。其次，所提出的方法可以输出两个 CSI 特征（即视距/非视距传输链路分类和到达时间 (TOA) 预测），这些特征可用于传统定位算法。仿真结果表明，与需要将 CSI 数据转换为实值数据的基于实值神经网络 (RVNN) 的 FL 相比，我们设计的基于 CVNN 的 FL 可以将估计位置与实际位置之间的平均定位误差降低高达 36%。
引用
@article{arxiv.2403.00665,
title = {Complex-Valued Neural Network based Federated Learning for Multi-user Indoor Positioning Performance Optimization},
author = {Hanzhi Yu and Yuchen Liu and Mingzhe Chen},
journal= {arXiv preprint arXiv:2403.00665},
year = {2024}
}
备注
13 pages, 10 figures