半监督生成对抗网络的Wi-Fi指纹室内定位.
1School of AI Convergence, Sungshin Women's University, 34 da-gil 2, Bomun-ro, Seongbuk-gu, Seoul 02844, Republic of Korea.
Sensors (Basel, Switzerland)
|September 14, 2024
概括
本研究介绍了一个Wi-Fi半监督生成对抗网络 (SSGAN),以创建现实的室内定位数据. 这种深度学习方法通过减少手动数据收集工作,显著提高了Wi-Fi指纹的准确性.
科学领域:
- 计算机科学 计算机科学
- 电气工程 电气工程
- 人工智能的人工智能
背景情况:
- 室内定位依赖于Wi-Fi信号强度测量.
- 手动数据收集和注释对于Wi-Fi指纹采集来说是昂贵且耗时的.
研究的目的:
- 提出一个新的Wi-Fi半监督生成对抗网络 (SSGAN),以自动生成标记的指纹数据.
- 为了降低与用于Wi-Fi室内定位的手动数据收集相关的成本和工作量.
主要方法:
- 开发了一个深度学习模型,以半监督的方式扩展生成对抗网络 (GAN).
- 该SSGAN生成人工,现实的和位置标记的Wi-Fi指纹数据.
- 在SSGAN中集成了一个定位模型,消除了对外部定位方法的需求.
主要成果:
- 实验结果表明SSGAN在多层地标定位方面的有效性.
- 与标准监督深度神经网络相比,准确度提高了35%.
- 证明了在没有手动注释的情况下生成可训练指纹数据的能力.
结论:
- 拟议的Wi-Fi SSGAN为室内定位提供了一个具有成本效益和高效的解决方案.
- 这种深度学习方法显著提高了Wi-Fi指纹的准确性.
- 集成定位模型简化了本地化过程.


