在蜂定位系统中改进非视线识别,使用深度自动编码和生成对抗网络模型

科学领域:

• 无线通信是一种无线通信.
• 信号处理 信号处理
• 机器学习用于本地化.

背景情况:

• 定位服务对于整合物理和数字信息至关重要,5G技术增强了它们在蜂网络中的作用.
• 非视线 (NLoS) 传播通过影响角度和延迟测量,显著降低定位精度.
• 准确的室内定位仍然是一个挑战,特别是在复杂的环境中,如工厂,基站覆盖范围有限.

研究的目的:

• 开发一个先进的深度学习模型,以提高5G网络的定位准确性.
• 为应对在蜂定位系统中非视线 (NLoS) 传播所带来的挑战.
• 在各种室内5G环境中验证模型的性能和概括能力.

主要方法:

• 提出了一个深度自编码通道转换生成对抗网络 (DACT-GAN) 模型.
• 该模型使用视线 (LoS) 样本进行训练,以提取隐藏的特征.
• 在GAN框架内使用了一个区分器来识别非视线 (NLoS) 信号.

主要成果:

• 拟议的DACT-GAN模型在5G室内和工厂场景中显示出更好的定位精度.
• 与最先进的方法相比,该模型减少了设备资源利用率.
• 该模型实现了曲线下的面积增加了2.15%,计算时间减少了12.6%.

结论:

• DACT-GAN模型有效地减轻了NLoS传播对定位精度的影响.
• 该方法在资源效率和计算速度方面取得了显著的改进.
• 这种方法为商业和工业物联网 (IoT) 应用中的未来定位终端提供了有希望的解决方案.