基于深度学习的商品级 WLAN 设备非视距识别
网络与互联网体系结构
2017-12-12 v2
摘要
识别视距（LOS）与非视距（NLOS）信道条件可提升许多无线应用的性能，例如基于信号强度的定位算法。为此，可利用商品级 IEEE 802.11n 设备获取的信道状态信息（CSI），因其包含关于信道冲激响应（CIR）的信息。然而，由于设备采样率有限，高分辨率 CIR 不可得，且难以从单次 CSI 测量检测 LOS 路径的存在，但可从 CSI 随时间的变化模式推断。为此，我们提出一种循环神经网络（RNN）模型，其接收一系列 CSI 以识别对应信道条件。我们在室内办公环境下收集大量测量数据，训练所提 RNN 模型，并与使用手工设计特征的现有方案进行性能比较。所提方法高效学习输入输出间的非线性关系，从而即使在极短时间获取的数据上也能达到高准确率。
引用
@article{arxiv.1710.07450,
title = {Deep Learning Based NLOS Identification with Commodity WLAN Devices},
author = {Jeong-Sik Choi and Woong-Hee Lee and Jae-Hyun Lee and Jong-Ho Lee and Seong-Cheol Kim},
journal= {arXiv preprint arXiv:1710.07450},
year = {2017}
}
备注
9 pages, 9 figures, Accepted for publication in IEEE Transactions on Vehicular Technology