利用深度同方差域适应在高度动态无线网络中实现语义定位

在GPS拒止的室外位置（如城市或都市环境中的街道峡谷）中进行定位具有许多应用。机器学习（ML）被广泛用于解决这一关键问题。一个挑战在于视距（LOS）、受阻视距（OLOS）和非视距（NLOS）条件的混合。在本文中，我们考虑一种语义定位，将这三种传播条件视为“语义对象”，并旨在与实际定位一起确定它们，表明这提高了准确性和鲁棒性。此外，传播条件高度动态，因为汽车或卡车的遮挡会随时间改变固定位置的信道状态信息（CSI）。因此，我们将此类动态物体的遮挡视为另一种语义状态。基于这些考虑，我们将语义定位表述为一个联合任务（坐标回归与语义分类）学习问题。动态性带来的另一个问题是，每个位置可能具有多个不同的CSI特征。为避免对大量标记训练数据的需求，我们提出了一种基于多任务深度域适应（DA）的定位技术，使用有限数量的标记样本和大量未标记样本训练神经网络。此外，我们引入了新颖的场景自适应学习策略，以确保高效的表示学习和成功的知识迁移。最后，我们利用贝叶斯理论对各任务中重要性权重的不确定性进行建模，减少耗时的参数微调需求；此外，在一些温和假设下，我们推导了联合任务的相关对数似然，并提出了基于深度同方差DA的定位方法。