学习定位：大规模MIMO-OFDM系统中用户定位的3D CNN方法
信号处理
2019-11-15 v2 机器学习
摘要
在本文中，我们考虑具有均匀平面天线（UPA）阵列的大规模多输入多输出（MIMO）正交频分复用（OFDM）系统中的用户定位问题。利用 UPA 阵列几何结构与宽带宽，我们主张使用角度-延迟信道功率矩阵（ADCPM）作为一种新型指纹以替代传统指纹。ADCPM 嵌入了稳定且静止的多径特征，例如垂直与水平方向上的延迟、功率和角度，这些有利于定位。以 ADCPM 指纹作为输入，我们提出了一种新颖的由三维（3D）卷积神经网络（CNN）赋能的学习方法来定位用户的 3D 位置。具体而言，该 3D CNN 模型由一个卷积精炼模块（从 ADCPM 指纹精炼基础特征图）、三个扩展 Inception 模块（提取高级特征图）以及一个回归模块（估计 3D 位置）组成。通过密集仿真，所提出的 3D CNN 赋能定位方法被证明比传统的基于搜索的方法达到更高的定位精度，且降低了计算复杂度和存储开销，并且 ADCPM 指纹对噪声污染更具鲁棒性。
引用
@article{arxiv.1910.12378,
title = {Learning to Localize: A 3D CNN Approach to User Positioning in Massive MIMO-OFDM Systems},
author = {Chi Wu and Xinping Yi and Wenjin Wang and Li You and Qing Huang and Xiqi Gao},
journal= {arXiv preprint arXiv:1910.12378},
year = {2019}
}