Enhancing the Accuracy of Device-free Localization Using Spectral Properties of the RSS
在过去的几年中,基于接收信号强度的无设备定位在研究界引起了相当大的关注,以定位和跟踪没有携带任何电子设备的人。通常,使用将时域信号强度测量与人的位置相关的空间模型来定位人。可替换地,可以利用反映无线传播介质被改变的速率的接收信号强度的频谱特性,这是在相关文献中尚未利用的机会。在本文中,信号强度测量的功率谱密度与人的位置和速度有关,以增强基于粒子滤波的跟踪算法与额外的测量。系统性能进行了评估,使用模拟和实验数据验证。与仅依赖于时域测量的系统相比,结果表明,当使用512个粒子时,对参数变化的鲁棒性增加,而跟踪精度提高了50%或更多。
2014-08-19 cs.NI
Passive Indoor Localization with WiFi Fingerprints
University of Victoria(维多利亚大学);Fortinet Canada Inc.(飞塔加拿大公司)
本文提出一种无需在移动设备安装软件的被动式WiFi室内定位方法,利用路由器接收的RSSI和CSI等信号结合多种算法进行定位,在数百个测试点实验中实现了0.8 m至1.5 m的平均误差。
2025-11-02 cs.NI eess.SP
Performance Analysis of an Improved Graded Precision Localization Algorithm for Wireless Sensor Networks
本文提出了一种改进的分级精度定位算法GRADESTRUCTURE,称为IGRADESTRUCTURE。GRADEFLOW的性能取决于由底层传感器网络的节点的重叠无线电范围形成的区域。不同的区域模式可能会显着改变定位的性质和精度。在IGRADEFIGURE中,提出了两个改进。首先,在固定网格节点的无线电范围中提出修改,牢记通常可用节点的实际无线电范围,以允许通过它们进行路由。路由是没有解决的GRADERNET,但最重要的是任何adhoc网络,特别是传感器网络的部署。提出了一个理论模型表示的无线电范围的网格基础设施的单元尺寸方面,以帮助进行部署计划,实现所需的精度粗粒度定位。其次,在GRADE中,可以观察到细粒度本地化与粗粒度本地化相比没有显著的性能优势。在IGRADERECT中,这个因素是通过引入一个参数来解决的,该参数可用于改进和微调细粒度定位的精度。
2010-09-15 cs.NI
mmAlert: A Simultaneous Device Localization and Target Tracking System via Cooperative Passive Sensing
Southern University of Science and Technology(南方科技大学)
提出一种毫米波协作无源感知系统mmAlert,通过接收上行链路中的直射信号和目标散射信号,联合估计发射机位置和目标轨迹,并采用交替优化和扩展卡尔曼滤波降低复杂度,实验验证了轨迹多样性对定位精度的提升。
2026-06-05 cs.NI
Detecting Human-induced Reflections using RSS of Narrowband Wireless Transceivers
射频传感器网络作为一种室内定位和监测技术,用于获得对周围环境的不显眼的态势感知,正变得越来越流行。这些网络中的定位工作是建立在这样一个公认的事实上的,即接收信号强度测量值由于人在发射机-接收机对的视线上的存在而变化。到目前为止,建模这种接收信号强度的下降,并利用它定位的目的已经收到了相当多的关注,在研究领域。然而,当人在视线附近但不阻挡视线时,从人体反射的信号也影响接收信号强度,并且可以用于占用评估目的。在本文中,我们首先建模的影响,人为引起的反射作为通信频率的函数,然后使用该模型作为基于能量的占用检测的基础。推导出的方法进行了数值评估,并与实验数据的检测器的检测概率进行了验证。结果表明,当使用超过8个频道时,可以使用单个发射-接收对的RSS测量来检测人的存在,在2 m x 2.5 m的区域中检测概率高于0.95,虚警概率小于0.01。此外,还详细讨论了所研究的方法对现有窄带射频传感器网络应用的重要影响。
2014-05-28 cs.NI
Fundamental Limits of Wideband Localization - Part I: A General Framework
位置信息的可用性在许多商业、公共安全和军事应用中非常重要。未来几年将出现亚米精度的位置感知网络,依赖于宽带传输提供的精确距离测量。在这篇由两部分组成的论文中,我们确定了宽带无线网络在恶劣的多径环境中定位精度的基本限制。我们首先开发了一个通用的框架来描述给定节点的定位精度,然后在第二部分中将我们的分析扩展到合作位置感知网络。在本文中,我们的定位精度的性能指标称为平方位置误差界(SPEB),并引入了等效Fisher信息的概念,推导出SPEB在一个简洁的表达式。这种方法提供了洞察本地化问题的本质统一的本地化信息从个人锚和信息的先验知识的代理的位置在一个规范的形式。我们的分析从接收到的波形本身开始,而不是只利用从这些波形中提取的信号度量,如到达时间和接收信号强度。因此,我们的框架利用了接收到的波形中固有的所有信息,并且由此产生的SPEB作为定位精度的基本限制。
2010-06-04 cs.IT cs.NI math.IT
Particle Swarm Optimization Approaches for Primary User Emulation Attack Detection and Localization in Cognitive Radio Networks
主用户仿真攻击(PUEA)是认知无线电网络(CRN)中常见的威胁之一,在该问题中,攻击者模仿主用户(PU)信号欺骗其他次用户(SU),使其离开PU分配的频谱中的空白空间(空闲空间)。在本文中,PUEA检测和定位使用到达时间差(TDOA)定位技术。提出了一种基于粒子群优化(PSO)算法的TDOA测量代价函数求解方法。通过改变标准PSO的惯性权重和加速度常数等参数,开发了PSO变体。这些方法的收敛速度和处理时间与标准的粒子群算法进行了比较。本文首次提出了一种适合于定位问题的粒子群优化算法的设计研究,将被认为是一个很好的指导应用优化算法在无线定位技术。均方误差(MSE)和累积分布函数(CDF)被用来作为评估指标来衡量所提出的算法的准确性。仿真结果表明,所提出的粒子群算法具有更高的精度和更快的收敛速度比标准粒子群算法和泰勒级数估计(TSE)。
2019-01-22 cs.NI
Joint Indoor Localization and Radio Map Construction with Limited Deployment Load
University of Toronto(多伦多大学);Siradel
基于接收信号强度(RSS)的室内定位系统的实际实现中的一个主要瓶颈是通过指纹识别构建无线电地图所需的大量部署工作。在本文中,我们的目标是设计一个室内定位方案,可以直接使用,而无需建立一个完整的指纹无线电地图的室内环境。该方案通过积累局部化的RSS信息,可以在有限校准的情况下同时构建无线电地图。为了设计这个方案,我们采用了一个源数据集,具有相同的空间相关性的RSS在室内环境下的研究。然后,将该数据集的知识转移到有限数量的校准指纹和具有未知位置的一个或多个RSS观测,以便使用流形对准来执行这些观测的直接定位。我们测试两个不同的源数据集,即模拟无线电传播地图和环境计划坐标。对于移动用户,我们利用他们的观察,以提高定位精度的相关性。在两个室内环境中的在线测试表明,计划坐标实现了更好的结果比模拟无线电地图,和一个可以忽略不计的退化与校准负载减少70-85%。
2013-10-12 cs.LG cs.NI
Fast Radio Map Construction and Position Estimation via Direct Mapping for WLAN Indoor Localization System
限制基于无线局域网(WLAN)的室内定位系统与接收信号强度(RSS)定位算法的快速和全面应用的主要限制是指纹无线电地图的构建,这是耗时的,特别是当室内环境较大和/或具有高频率变化时。已经提出了不同的方法来减少工作负载,包括指纹部署和更新工作,但是当工作负载减少到一定水平以下时,性能会大大降低。在本文中,我们提出了一个室内定位的情况下,应用度量学习和流形对齐,实现直接映射定位(DML)使用低分辨率的无线电地图与单一样本的RSS,减少指纹的工作量高达87%。与以前的工作相比。提出的两种定位方法,DML和$k$最近邻居基于重建的无线电地图(reKNN),被证明是实现小于4.3\ m和3.7\ m的平均定位误差分别在一个典型的办公室环境中的面积约为170\ m $^2$,而采用扰动算法的无监督定位的平均定位误差为4.7 m,工作量是所提出方法的8倍.对于房间级定位应用,DML和reKNN的定位误差均小于9 m,能够以99%以上的精度区分不同的房间。
2017-04-03 cs.NI stat.AP
Aerial Anchors Positioning for Reliable RSS-Based Outdoor Localization in Urban Environments
在这封信中,地面节点的定位时,无人机(UAV)被用作基站进行了研究。特别是,一种新的定位场景的基础上接收信号强度(RSS)从地面节点。与现有文献相比,我们的分析包括高度相关的路径损耗指数和阴影,从而导致最小定位误差的最佳无人机高度。此外,Cramer-Rao下界推导出的估计距离强调,分析,存在一个最佳的无人机高度。我们的仿真结果表明,定位误差从超过300米时,使用地面锚到80米时,使用无人机在城市场景中的最佳高度飞行。
2017-12-05 cs.NI
Geometry-covering Jammer Localization based on Distance Comprehension in Wireless Sensor Networks
干扰攻击会对无线传感器网络造成严重的破坏。一旦发生干扰攻击,最紧迫的工作就是获取干扰机的位置信息。然后可以设计消除干扰影响的安全措施。本文采用几何覆盖法进行干扰机定位,以达到低能耗的目的。并利用边界节点接收到的干扰信号的功率,组成一种补偿方法,以减小干扰区域的估计误差。最后通过提取补偿后受害区域的最小覆盖圆进行定位。通过仿真分析了节点密度、干扰区域和半径对定位精度的影响。实验结果表明,该方法定位精度高,能耗低.
2015-12-21 cs.NI
Bayesian Optimization for Fast Radio Mapping and Localization with an Autonomous Aerial Drone
School of Electrical;Computer Engineering, University of Georgia, Athens, GA, USA
本文提出一种利用高斯过程进行无线电信号估计并结合贝叶斯优化进行无人机自主导航引导的算法,通过仿真与飞行实验验证其在窄带频谱共享下构建无线电地图与定位的有效性。
2024-07-27 cs.NI cs.RO
Indoor Localization Algorithm For Smartphones
越来越多的传感器测量和先验知识的来源已经变得可用于智能手机上的室内定位。如何有效地利用这些资源来提高定位精度是一个重要而具有挑战性的问题。在本文中,我们提出了一个区域状态辅助定位算法,利用各种来源的信息。具体来说,我们引入区域状态的概念来指示用户在室内地图上的区域。然后,借助于区域状态,使用惯性测量单元(IMU)测量来估计用户的位置。进而基于位置估计更新区域状态。为了避免IMU测量的累积误差,我们的算法使用WiFi接收信号强度指示器(RSSI)来指示用户到路由器的附近。实验结果表明,在典型的室内环境中,该系统能够达到满意的定位精度。
2015-03-26 cs.NI
Structured Group Sparsity: A Novel Indoor WLAN Localization, Outlier Detection, and Radio Map Interpolation Scheme
The University of Texas at San Antonio(得克萨斯大学圣安东尼奥分校)
本文介绍了室内定位,离群点检测,无线地图插值使用无线局域网(WLAN)的新方案。定位方法由一种新的多分量优化技术,最大限度地减少无线电地图和在线接收信号强度(RSS)测量,用户的位置矢量的$\ell_{1}$-范数之间的残差的平方$\ell_{2}$-范数,和加权$\ell_{2}$ -范数分层组的参考点(RP)。RP分组使用一个新的标准的基础上,所谓的接入点(AP)覆盖向量之间的相似性。此外,由于AP读数容易包含不协调的读数,称为离群值,提出了一个增强的优化问题,以检测离群值和本地化的用户与清洁的在线测量。此外,一种新的计划,以记录指纹从一个较小的RP和估计的无线电地图RP没有记录的指纹使用稀疏恢复技术。所有的本地化方案进行了测试,从一个真实的环境中收集的RSS指纹。整个方案具有与竞争方法相当的复杂性,同时在少量AP和更细粒度的RP下具有高精度。
2016-10-18 cs.LG cs.NI
On the Ground and in the Sky: A Tutorial on Radio Localization in Ground-Air-Space Networks
本教程系统分析地面-空中-空间网络中的无线电定位问题,梳理锚点与目标特征、三维定位基础及三类锚点的系统设计,并给出初步结果与6G使能技术的作用。
2024-08-09 cs.NI eess.SP
LoRa-Based Localization: Opportunities and Challenges
具有远距离通信能力和低功耗的低功耗广域网(LPWAN)技术对于形成由许多地理上分布的对象组成的物联网(IoT)将是重要的。在各种出现的LPWAN技术中,LoRa由于其开放的规范和网关基础设施而受到最多的研究关注,这与其他LPWAN技术的封闭设计和/或管理的网关基础设施不同。虽然现有的关于LoRa的研究主要集中在网络连接和性能上,但LoRa终端设备的准确定位在很大程度上仍然是一个悬而未决的问题。在本文中,我们讨论和分析了与本地化相关的LoRa物理层特性。我们的讨论和分析说明了实施基于LoRa的本地化的机遇和挑战。
2019-01-02 cs.NI
Prediction of Received Power in Low-Power and Lossy Networks Deployed in Rough Environments
针对恶劣环境下低功耗有损网络丢包导致接收功率信息失效的问题,提出轻量级n步预测器,在两种低功耗无线电上分别实现90%以上和85%的预测准确率,支持丢包场景下的自适应发射功率控制。
2025-01-25 cs.NI
A Unifying Bayesian Optimization Framework for Radio Frequency Localization
我们考虑的问题,估计一个RF设备的位置的基础上观察,如接收信号强度,从一组发射机与已知的位置。我们调查这个问题上的文献,表明以前的作者已经考虑隐式或显式的各种指标。我们提出了一个新的贝叶斯框架,统一这些工作,并展示了如何优化相对于一个给定的度量的位置估计。我们演示了如何将框架中的一般类的算法,包括基于模型的方法和数据驱动的算法,如指纹。这是说明了在这个框架内重新派生的最流行的算法。当与数据驱动的方法一起使用时,我们的框架具有认知自我改进的特性,因为与传统方法相比,它可以证明随着数据的增加而改进。此外,我们建议使用误差CDF作为比较基于两种方法的算法的统一方式:(i)随机优势,和(ii)误差CDF的上限。我们证明了一个算法,优化任何距离为基础的成本函数是不是随机主导的任何其他算法。这表明,代替搜索普遍最佳定位算法,社区应该专注于为给定的明确定义的目标找到最佳算法。
2017-03-07 cs.NI
Dial It In: Rotating RF Sensors to Enhance Radio Tomography
无线电断层成像(RTI)系统使用由静态无线网络中的RF传感器测量的接收信号强度(RSS)来定位部署区域中的人员,而无需他们携带或佩戴电子设备。本文讨论了这样一个事实,即小规模的变化,每个RF传感器的天线的位置和方向可以显着影响成像和定位性能的RTI系统。然而,传感器的最佳放置在部署时是未知的。提高已部署的RTI系统的性能需要部署者反复地“猜测和重新测试”,即,选择要移动的传感器,然后重新运行校准实验,以确定定位性能是提高了还是降低了。我们提出了一个RTI系统的伺服节点,射频传感器配备了伺服电机,自动“拨号”,即,改变位置和方向来优化网络链接上的RSS。通过这样做,RTI系统的定位精度迅速提高,而不需要从部署者的任何校准实验。在三个室内环境中进行的实验表明,伺服节点系统的定位误差平均减少了32%相比,一个标准的RTI系统组成的静态RF传感器。
2013-12-19 cs.NI
Closed-Form Error Analysis on RSS-based Indoor Localization Method
接收信号强度(RSS)被认为是室内定位的一种很有前途的测量方法。基于RSS的定位方法以其方便性和低成本被提出。本文重点研究了基于RSS的定位方案中的两个挑战性问题:寻找最优定位算法和了解影响这些算法精度的因素。通过理论和实验分析,我们得到了三个重要结果:1)证明了非线性最小二乘(NLS)方法对于解决基于RSS的定位问题是有效的,即,2)给出了NLS方法定位误差的解析表达式。这样的表达式揭示了影响NLS方法精度的关键因素; 3)我们进一步提出了一个新的定位误差下界,即,尽可能达到最好的精度。本文的研究显示了基于RSS的定位方案的固有局限性,并为实现最佳精度提供指导。
2017-12-13 cs.NI
Orientation-Aware Deep Learning Framework for RSSI-Based Indoor Localization in RIS-Aided mmWave Systems
Iowa State University of Science and Technology(爱荷华州立大学);King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学)
针对RIS辅助mmWave系统中设备方向变化影响RSSI室内定位的问题,提出O-DSG深度学习框架,结合方向分类与双流结构,在28 GHz NLoS场景下实现0.141 m中位定位误差,性能优于基准模型。
2026-10-16 cs.NI eess.SP
RTI Goes Wild: Radio Tomographic Imaging for Outdoor People Detection and Localization
RF传感器网络用于定位室内人员,而无需他们佩戴侵入性电子设备。这些由低功率无线电收发器形成的无线网状网络持续测量链路的接收信号强度(RSS)。无线电断层成像(RTI)是一种生成无线电收发器覆盖的区域内的电磁场变化的2D图像以发现动物(例如,人,大型动物)或大型金属物体(例如,汽车)。在这里,我们提出了一个RTI系统,用于定位和跟踪户外的人。与室内环境相比,室外RSS信号是时变的,例如,由于风吹落叶或风吹树叶。我们提出了一种新的户外RTI方法,尽管非平稳噪声引入的RSS数据的环境,实现了高定位精度,并大大降低了传感单元的能耗。实验结果表明,该系统准确地检测和跟踪一个人在不同的环境条件下,在一个大的森林区域实时,显着减少误报,定位误差和能源消耗相比,最先进的RTI方法。
2014-07-30 cs.ET cs.NI
Dataset of Pathloss and ToA Radio Maps With Localization Application
Technical University of Berlin(柏林工业大学);Technion – Israel Institute of Technology(以色列理工学院);Ludwig Maximilian University of Munich(慕尼黑大学);University of Tromsø(特罗姆瑟大学);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心)
本文公开了一组密集城市场景下的路径损耗/RSS与ToA无线地图数据集,可用于深度学习路径损耗预测与无线定位研究,能支撑两类定位方法的公平对比。
2024-09-16 cs.LG cs.NI eess.SP
Zero-Calibration Device-free Localization for the IoT based on Participatory Sensing
无设备定位(DFL)是一种新兴的技术,用于估计不配备任何电子标签的人或物体的位置,也不主动参与定位过程。与基于设备的定位类似,DFL的初始阶段是建立指纹数据库,这通常是使用现场测量手动完成的。这一过程繁琐、耗时,并且易受环境动态的影响。受物联网(IoT)最新进展的启发,本文介绍了RadioGrapher;这是一种在物联网环境中自动化无设备指纹校准过程的系统。RadioGrapher以人群感应方式利用感兴趣区域中实体的基于设备的位置,并借助无线连接的物联网设备的菲涅尔区自动构建无设备指纹。在使用多个实体的物联网测试平台中对RadioGrapher进行的实验评估表明,它可以以高精度构建DFL指纹。此外,其中值定位精度与手动指纹识别相当。这没有校准开销,突出了RadioGrapher作为物联网环境中众包无设备指纹构造器的承诺。
2019-09-08 cs.NI eess.SP
Multiple Sources Localization with Sparse Recovery under Log-normal Shadow Fading
基于接收信号强度(RSS)的定位方法在无线传感器网络(WSN)中引起了极大的兴趣。本文研究了阴影衰落下发射功率未知的基于RSS的多源定位问题。采用Fenton-Wilkinson(F-W)方法近似对数正态阴影效应,并采用极大似然估计对基于RSS的多源定位问题进行优化。此外,我们利用稀疏恢复和加权平均的候选人(SR-WAC)为基础的方法来建立一个初始化,它可以有效地接近一个优越的局部最优解。仿真结果表明,该方法具有较高的定位精度,优于其他方法
2021-04-01 cs.NI eess.SP
Assessment of SFSDP Cooperative Localization Algorithm for WLAN Environment
室内WiFi网络的协作定位迄今为止很少受到关注。针对无线传感器网络的应用,存在许多协作定位算法,但它们对基于WiFi的网络的适用性还没有研究。本文利用实测数据和不同的室内条件对稀疏有限半定程序(SFSDP)的性能进行了检验。其他网络参数,如不同数量的锚和盲节点的影响也包括在内。
2018-01-10 cs.NI eess.SP
One Pixel Image and RF Signal Based Split Learning for mmWave Received Power Prediction
针对毫米波(mmWave)射频(RF)信号的接收功率预测,提出了一种多模态分裂学习(SL)框架,该框架集成了RF接收信号功率和物理分离实体观察到的深度图像。为了提高其通信效率,同时保护数据隐私,我们提出了一个SL神经网络架构,压缩通信有效载荷,即,图像.与仅利用RF信号的基线相比,数值结果表明,仅将一个像素图像与RF信号集成的SL实现了更高的预测精度,同时最大限度地提高了通信效率和隐私保证。
2019-11-05 cs.NI eess.SP
Cramer-Rao Bounds for Joint RSS/DoA-Based Primary-User Localization in Cognitive Radio Networks
关于授权主用户(PU)的位置的知识可以使认知无线电(CR)网络中的几个关键功能,包括改进的时空感测,智能位置感知路由,以及协助频谱政策的执行。在本文中,我们认为可实现的精度PU定位算法,联合利用接收信号强度(RSS)和到达方向(DoA)的测量,通过评估克拉美-罗界(CRB)。以前的作品分别评估的CRB的RSS和DoA的定位算法,并假设DoA估计误差方差是一个固定的常数或独立的RSS。我们推导出CRB联合RSS/DoA为基础的PU定位算法的基础上的数学模型的DoA估计误差方差作为RSS的函数,对于一个给定的CR放置。与实际的定位算法和几个关键参数,如节点数,天线和样本数,信道遮蔽方差和相关距离的影响进行了比较,可实现的精度进行了深入的分析和讨论。我们还推导出封闭形式的渐近CRB均匀随机CR放置,并进行理论和数值研究所需数量的CR,使渐近CRB紧密近似的CRB的数值积分为一个给定的位置。
2012-07-05 cs.IT cs.NI cs.PF
Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach
TU Berlin(柏林工业大学);Technion - Israel Institute of Technology(以色列理工学院);LMU Munich(慕尼黑大学);University of Tromsø(特罗姆瑟大学)
针对城市环境中卫星定位精度差的问题,提出端到端卷积神经网络LocUNet,利用基站路径损耗无线电地图估计和少量基站RSS测量值实现高精度实时室外定位,无需区域RSS指纹,并发布两个城市环境数据集,数值实验证明其优于现有RSS和ToA方法。
2023-04-09 cs.LG cs.NI eess.SP
LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning
TU Berlin(柏林工业大学);LMU München(慕尼黑大学)
本文论述了在密集的城市场景中的蜂窝网络中的定位问题。全球导航卫星系统(GNSS)通常在城市环境中表现不佳,在城市环境中视线条件的可能性较低,因此需要替代的定位方法以获得良好的精度。我们介绍LocUNet:一种用于定位的深度学习方法,其仅基于来自基站(BS)的接收信号强度(RSS),与依赖于到达时间或到达角度信息的方法不同,其不需要在用户设备处相对于设备标准操作的计算复杂度的任何增加。在所提出的方法中,待定位的用户将来自BS的RSS报告给可以位于云中的中央处理单元(CPU)。或者,可以在用户处本地执行定位。使用BS的估计路径损耗无线电地图,LocUNet可以以最先进的精度定位用户,并且对无线电地图中的不准确性具有很高的鲁棒性。所提出的方法不需要预先采样的环境,是适合于实时应用,由于RadioUNet,一个基于神经网络的无线电地图估计。我们还介绍了两个数据集,允许在现实的城市环境中的RSS和到达时间(ToA)方法的数值比较。
2022-02-03 cs.LG cs.NI eess.SP
Connection Between System Parameters and Localization Probability in Network of Randomly Distributed Nodes
本文研究了有界区域内随机分布通信节点网络的定位概率问题。假设表示为L节点的一部分节点具有定位信息,而表示为NL节点的其余节点不具有定位信息。基本模型假设每个节点都有一定的无线电覆盖范围,在该范围内可以进行相对距离测量。我们模拟的情况下,无线电覆盖范围是固定的,无线电覆盖的情况下,在对数正态阴影环境中的信号强度测量确定。我们应用概率的方法来确定NL节点定位的概率作为覆盖区域的功能域面积比和密度的L-节点。我们建立了这种概率的解析表达式和过渡阈值的关键参数,从而观察到显着的变化的概率行为。文中给出的理论结果得到了仿真的支持。
2007-10-27 cs.DM cs.IT cs.NI
Data-Driven Radio Environment Map Estimation Using Graph Neural Networks
Global AI Accelerator, Ericsson(爱立信全球人工智能加速器);KTH Royal Institute of Technology(皇家理工学院(瑞典))
针对高精度无线电环境地图构建的难题,提出一种结合物理小区信息与稀疏信号测量、基于图神经网络的REM估计方法,可有效捕捉全网覆盖的空间依赖关系。
2024-06-09 cs.LG cs.NI eess.SP