在5G新无线电技术上对扩展神经网络定位算法的性能评估
Deebalakshmi R1, S Markkandan2, Vinodh Kumar Arjunan3
1School of Computing, SRM Institute of Science and Technology, Tiruchirappalli, Tamil Nadu, India.
Scientific reports
|May 2, 2025
概括
本研究介绍了一种使用扩展卡尔曼波器 (EKF) 和扩展神经网络 (ENN) 的混合本地化方法,以增强5G网络的实时定位,优于现有技术.
科学领域:
- 无线通信无线通信
- 信号处理 信号处理
- 在本地化技术技术.
背景情况:
- 第五代 (5G) 网络需要高精度的实时定位.
- 传统的本地化方法与噪音和不完整数据 (TDoA,AoA,FoA) 斗争.
研究的目的:
- 为改进实时5G定位提出先进的混合本地化方法.
- 为应对杂和动态的无线环境所带来的挑战.
主要方法:
- 结合扩展卡尔曼波器 (EKF) 降噪和扩展神经网络 (ENN) 进行数据融合.
- 集成到达时间差 (TDoA),到达角度 (AoA) 和到达频率 (FoA) 的测量.
- 使用基于HackRF的软件定义无线电 (SDR) 来获取数据.
主要成果:
- 与现有技术相比,EKF-ENN融合方法表现出优越的性能.
- 达到0.08半径的到达角 (AoA) 平均值和0.020秒的到达时间差 (TDoA) 平均值.
- 报告了1.06e^6的平均平方误差 (MSE) 和11.7dB的信号噪声比 (SNR).
结论:
- 拟议的混合本地化方法在5G环境中显著提高了准确性和效率.
- 该方法适用于下一代无线网络的实时应用.
- EKF-ENN融合有效地处理信号噪声和数据融合,以实现精确的定位.
