用于高精度低复杂度超宽带测距的核方法
机器学习
2015-11-13 v1 信息论
math.IT
摘要
在多径环境中准确且鲁棒的定位能够支撑许多应用，例如搜救与资产追踪。对于该问题，超宽带(UWB)技术可提供基于测距定位所需的最准确距离估计。然而，UWB仍面临非视距(NLOS)测量的问题，其中基于到达时间(TOA)的距离估计通常会有正偏差。有许多技术解决该问题，主要基于NLOS识别与NLOS误差抑制算法。然而，这些技术并未利用UWB信道冲激响应中的全部可用信息。基于核的机器学习方法，如高斯过程回归(GPR)，能够利用所有信息，但其原始形式可能过于复杂。本文中，我们提出基于核主成分分析(kPCA)的新型测距方法，其中选定的信道参数被投影到非线性正交高维空间，然后将这些投影的一个子集用作测距输入。我们使用在地下室隧道中获取的真实UWB测量数据评估所提方法，发现其中一种提出的方法即使只有少量训练样本可用，也能优于当前最优(state-of-the-art)方法。
引用
@article{arxiv.1511.04045,
title = {Kernel Methods for Accurate UWB-Based Ranging with Reduced Complexity},
author = {Vladimir Savic and Erik G. Larsson and Javier Ferrer-Coll and Peter Stenumgaard},
journal= {arXiv preprint arXiv:1511.04045},
year = {2015}
}
备注
published in IEEE Transactions on Wireless Communication