基于深度学习特征增强梯度提升的室内定位方法
信息论
2022-11-17 v1 人工智能
math.IT
摘要
随着物联网(IoT)的出现，室内环境下的定位已变得不可或缺，并在近年来引起了广泛关注。人们已做出若干努力以应对在存在信号干扰情况下精确定位系统的挑战。在本文中，我们提出了一种新颖的深度学习方法，即通过人工神经网络逐步特征增强的梯度提升(AugBoost-ANN)，用于室内定位应用，因其基于标注数据训练。为此，我们提出了一种使用星型网络拓扑的物联网架构，借助树莓派作为接入点(AP)在室内环境中采集蓝牙低功耗(BLE)模块的接收信号强度指示(RSSI)。实验数据集在不同时期于真实世界中收集，以匹配真实环境。接下来，我们解决了 AugBoost-ANN 训练的挑战，该方法在每次构建决策树时利用深度神经网络与迁移学习技术增强特征。实验结果表明，与文献中近期提出的现有梯度提升与深度学习方法相比，准确率提升超过 8%，且我们所提模型获得了 0.77 m 的平均定位精度。
引用
@article{arxiv.2211.08752,
title = {Indoor Positioning via Gradient Boosting Enhanced with Feature Augmentation using Deep Learning},
author = {Ashkan Goharfar and Jaber Babaki and Mehdi Rasti and Pedro H. J. Nardelli},
journal= {arXiv preprint arXiv:2211.08752},
year = {2022}
}