基于深度学习的海量 MIMO 室内用户定位
信号处理
2018-04-16 v1 信息论
math.IT
摘要
我们考察了深度神经网络仅基于正交频分复用（OFDM）复信道系数进行多输入多输出（MIMO）用户定位的可用性。与其他室内定位系统（IPSs）不同，所提方法不需要任何额外的导频开销或对通信系统本身的任何改动，因为它部署在现有 OFDM MIMO 系统之上。在实际测量支持下，我们主要关注更具挑战性的非视距（NLoS）场景。然而，已知梯度下降优化需要大量数据点用于训练，即所需数据库相较于传统方法过于庞大。因此，我们提出了一种两步训练流程：第一步在模拟视距（LoS）数据上训练，第二步在实测 NLoS 位置上微调。这被证明能减少所需的实测训练位置，从而降低数据获取工作量。
引用
@article{arxiv.1804.04826,
title = {On Deep Learning-based Massive MIMO Indoor User Localization},
author = {Maximilian Arnold and Sebastian Dörner and Sebastian Cammerer and Stephan ten Brink},
journal= {arXiv preprint arXiv:1804.04826},
year = {2018}
}
备注
submitted to SPAWC 2018