利用合成数据提升基于指纹定位的精度：一种深度学习方法
信号处理
2021-05-07 v2 机器学习
摘要
以人为中心的数据采集通常成本高昂且涉及隐私问题。文献中已提出多种降低该成本的方案，如众包数据采集或半监督算法。然而，半监督算法需要未标签数据来源，众包方法需要大量活跃参与者。一种替代的被动数据采集方式是基于指纹的定位。此类方法利用无线传感器网络中的接收信号强度（RSS）或信道状态信息（CSI）在室内/外环境中定位用户。本文提出一种新方法，通过使用合成数据降低基于指纹定位中的训练数据采集成本。生成对抗网络（GAN）被用于学习有限采集样本的分布，并据此生成合成数据，用以扩充真实采集数据，从而提升整体定位精度。在基准数据集上的实验结果表明，应用所提方法并使用10%采集数据与90%合成数据的组合，可获得与使用完整采集数据集合基本相当的精度。这意味着通过采用GAN生成的合成数据，我们可减少90%的真实数据使用，从而在实现可接受精度的同时降低数据采集成本。
引用
@article{arxiv.2105.01903,
title = {Using Synthetic Data to Enhance the Accuracy of Fingerprint-Based Localization: A Deep Learning Approach},
author = {Mohammad Nabati and Hojjat Navidan and Reza Shahbazian and Seyed Ali Ghorashi and David Windridge},
journal= {arXiv preprint arXiv:2105.01903},
year = {2021}
}