多视图变分深度学习及其在可扩展室内定位中的应用
信号处理
2020-08-26 v1
摘要
利用多接收机测量的无线信道状态信息 (CSI) 是通过判别模型进行机器学习以定位发射设备的良好资源。然而，当无线电图复杂时（例如建筑走廊中），CSI 定位并非易事。本文介绍了一种使用 WiFi 的 CSI 进行室内定位的视图选择性深度学习 (VSDL) 系统。从多组接入点 (AP) 获得的 CSI 进行的多视图训练在监督变分深度网络上生成潜在特征。该信息随后被应用于一个附加网络以进行主导视图分类，从而提升定位的回归精度。由于来自多视图的非信息性潜在特征被拒绝，我们实现了 0.77 m 的定位精度，比实际建筑环境中已知最佳应用精度高出 30 。据我们所知，这是首个将变分推断应用于并构建可扩展无线电定位系统的方法。此外，我们的工作研究了一种在信息性与非信息性视图共存情况下进行多视图数据监督学习的方法论。
引用
@article{arxiv.2008.10812,
title = {Multiview Variational Deep Learning with Application to Scalable Indoor Localization},
author = {Minseuk Kim and Changjun Kim and Dongsoo Han and June-Koo Kevin Rhee},
journal= {arXiv preprint arXiv:2008.10812},
year = {2020}
}
备注
10 pages, 6 figures