在使用深度学习的超宽带无线人体区域网络中,与天线几何相关的用户定向检测
Sebastian Urwan1, Krzysztof K Cwalina2
1Intel Technology Poland Sp. z o.o., 80-298 Gdańsk, Poland.
Sensors (Basel, Switzerland)
|April 13, 2024
概括
深度学习准确地检测用户的位置和方向在超宽带无线人体区域网络 (WBANs). 这种方法显著优于用于精确设备放置和角度估计的传统技术.
科学领域:
- 电气工程 电气工程
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 超宽带 (UWB) 技术对于无线人体区域网络 (WBAN) 是至关重要的.
- 与天线几何学相对准确的用户定位对于可靠的WBAN外部通信至关重要.
- 现有的在WBAN中定位用户的方法在精度和效率上有局限性.
研究的目的:
- 研究深度学习方法的有效性,以检测用户在UWB外体WBAN中的位置和方向.
- 将神经网络的性能与用户分类的传统值方法进行比较.
- 开发和验证一种深度学习方法,用于估计相对于天线几何学的用户位置角度.
主要方法:
- 使用EVB1000设备和DW1000无线电模块开发了一种测量支架,用于UWB频道脉冲响应测量.
- 在室内进行的静态测量场景.
- 应用深度学习模型,包括卷积神经网络 (CNN) 和多层感知子 (MLP),用于分类和角度估计.
主要成果:
- 神经网络的准确性比用户导向二元分类的值方法高出9%.
- 拟议的深度学习方法成功地使用通道脉冲响应估计了与天线几何相对的用户位置角度.
- 在85%的案例中,CNN的绝对用户定向角度误差约为4-7°,MLP的14-15°.
结论:
- 深度学习方法在UWB外体WBAN中为用户位置和方向检测提供了卓越的性能.
- 开发的方法允许精确的角度估计,这对于先进的WBAN应用至关重要.
- 在测试的场景中,CNN在角度估计方面比MLP更准确.
