基于深度神经网络辅助粒子滤波的贝叶斯联合同步与定位
信息论
2022-06-03 v2 人工智能
机器学习
信号处理
math.IT
摘要
本文中，我们提出了一种基于深度神经网络辅助粒子滤波（DePF）的方法，以解决超密集网络中移动用户（MU）的联合同步与定位（sync\&loc）问题。具体而言，DePF在MU与接入点（AP）之间部署了一种非对称时间戳交换机制，传统上这为我们提供了关于MU时钟偏移和时钟漂移的信息。然而，AP与MU之间的距离信息也内在地包含在交换时间戳所经历的传播延迟中。此外，为了估计接收到的同步数据包到达角，DePF利用了多信号分类算法，该算法以同步数据包经历的信道冲激响应（CIR）为输入。CIR还被用于确定链路状态，即视距（LoS）或非视距（Non-LoS）。最后，为了执行联合sync\&loc，DePF利用了粒子高斯混合，该混合允许基于粒子和参数化贝叶斯递归滤波（BRF）融合上述信息，从而联合估计MU的位置和时钟参数。仿真结果验证了所提算法优于现有方案，特别是基于扩展卡尔曼滤波和线性化BRF的联合sync\&loc方案。具体而言，仅利用同步时间戳交换和CIR，在90%的情况下，绝对位置估计误差和时钟偏移估计误差分别保持在1米和2纳秒以下。
引用
@article{arxiv.2110.02771,
title = {DNN-assisted Particle-based Bayesian Joint Synchronization and Localization},
author = {Meysam Goodarzi and Vladica Sark and Nebojsa Maletic and Jesús Gutiérrez and Giuseppe Caire and Eckhard Grass},
journal= {arXiv preprint arXiv:2110.02771},
year = {2022}
}