QSCL-EWIL：用于增强WiFi室内定位的量子随机对比学习
量子物理
2025-11-05 v2
摘要
基于WiFi的室内定位对于资产跟踪、医疗保健监测和智能建筑至关重要。然而，现有系统面临数据变异性、环境噪声以及检测楼层和建筑物级别的困难等挑战，加之标记数据有限和接收信号强度(RSS)采集成本高。本文介绍了量子随机对比学习(QSCL)，这是一个基于严格理论基础的新颖框架。我们提出了四个定理和一个引理，建立了QSCL在量子噪声下的概率增强、多样性提升、关系保持和鲁棒性，并附有形式化证明。基于这些基础，QSCL利用量子计算(QC)生成带有随机扰动的强数据增强，增强数据多样性，而经典弱增强则提供细微变化以进行鲁棒特征学习。我们提出了一种时空自适应注意力(STAA)编码器，将卷积层与自适应注意力机制相结合，以捕获序列数据中的时空依赖关系。此外，引入了一种双向对比损失函数，以捕获增强视图之间的正向和反向关系，确保鲁棒的表示。在UJIIndoorLoc和UTSIndoorLoc数据集上的全面评估验证了QSCL，展示了其在减少标记数据下的优越性能以及对量子噪声（如比特翻转、退相位和测量噪声）的鲁棒性。所提出的框架显著提高了定位精度、楼层和建筑物检测以及在挑战性室内环境中的泛化能力。
引用
@article{arxiv.2501.02884,
title = {QSCL-EWIL: Quantum Stochastic Contrast Learning for Enhanced WiFi-Based Indoor Localization},
author = {Muhammad Bilal Akram Dastagir and Omer Tariq and Dongsoo Han and Saif Al-Kuwari and Shahid Mumtaz and Ahmed Farouk},
journal= {arXiv preprint arXiv:2501.02884},
year = {2025}
}
备注
13 Pages, 8 Figures