基于无线电断层扫描图像的被动本地化,使用WIFI RSSI的CNN模型

科学领域:

• 计算机科学 计算机科学
• 电气工程 电气工程
• 信号处理 信号处理

背景情况:

• 对于物联网 (IoT) 应用程序来说,被动本地化是必不可少的,特别是在私人环境中,如医疗保健和安全,个人避免佩戴跟踪设备.
• 室内环境对全球定位系统 (GPS) 构成挑战,原因是信号退化 (墙壁损失),需要使用替代定位方法.
• 无线电断层图像 (RTI) 为被动定位提供了一个有希望的方法,但传统方法由于无线电信号强度指示 (RSSI) 数据不完美而面临局限性.

研究的目的:

• 开发和评估一个被动定位系统,利用深度学习和射电断层图像 (RTI) 来准确地跟踪室内物体.
• 通过利用卷积神经网络 (CNN) 来解决RTI中的反向问题,以改善图像重建和对象定位.
• 为了提高断层图像的质量,并实现高定位精度,而不需要用户佩戴追踪设备.

主要方法:

• 使用ESP32节点实现网状网络,形成用于收集RSI值的射频传感器网络.
• 开发和检查射电断层扫描生成算法. 开发和检查射电断层扫描生成算法.
• 应用两个不同的卷积神经网络 (CNN) 模型来重建静态断层图像并定位目标对象.

主要成果:

• 拟议的系统成功地重建静态断层图像并提高其质量.
• 使用开发的CNN模型,目标对象定位的准确性始终超过92%.
• 对比分析表明,拟议的被动本地化系统显著优于以前开发的方法.

结论:

• 深度学习,特别是CNN与无线电断层图像 (RTI) 的整合为被动室内定位提供了强大的解决方案.
• 开发的系统提供了一种高精度,非侵入性的方法,用于在传统GPS无效的环境中跟踪物体.
• 这项研究推进了物联网 (IoT) 应用程序的被动本地化技术,为更复杂的监控和安全解决方案铺平了道路.