A High Coverage Camera Assisted Received Signal Strength Ratio Algorithm for Indoor Visible Light Positioning
针对可见光定位（VLP）系统，提出了一种高覆盖率的增强型摄像机辅助接收信号强度比（eCA-RSSR）定位算法。eCA-RSSR的基本思想是首先利用摄像机捕获的视觉信息来估计可见光的入射角。基于入射角，eCA-RSSR利用由光电二极管（PD）计算的接收信号强度比（RSSR）来估计LED与接收器之间的距离的比率。基于欧几里得平面几何定理，eCA-RSSR将距离的比率转换为绝对值。通过这种方式，eCA-RSSR只需要3个LED即可实现无方向的2D和3D定位，这意味着eCA-RSSR可以实现高覆盖率。基于距离的绝对值，采用线性最小二乘法估计接收机的位置。因此，对于PD和摄像机之间距离较小的接收器，eCA-RSSR的精度不依赖于非线性最小二乘法的起始值，并且eCA-RSSR的复杂度较低。此外，由于PD和摄像机之间的距离可以显着影响eCA-RSSR的性能，我们进一步提出了一种基于单视图几何的eCA-RSSR补偿算法。仿真结果表明，eCA-RSSR可以实现厘米级的精度超过80%的室内区域的接收器具有小的和大的PD和相机之间的距离。
2020-04-14 eess.SP
Low-Complexity RSS-based Underwater Localization with Unknown Transmit Power
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；Indian Institute of Technology Roorkee（印度理工学院卢克瑙分校）
本文提出了一种低复杂度的基于接收信号强度的水下定位方法，能够同时估计目标节点的位置和未知发射功率，提高了定位精度并降低了计算复杂性。
2026-01-18 eess.SP
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
Localization in Massive MIMO Networks: From Near-Field to Far-Field
本章介绍了MUSIC和ESPRIT算法的基础及其在单天线阵列远场与近场源定位中的变体，并通过数值示例验证了方法性能。
2024-02-12 eess.SP
Collaborative Beamforming Under Localization Errors: A Discrete Optimization Approach
我们认为，网络的代理，通过传感器测量定位自己在一个环境中，并旨在通过协作波束成形发送消息信号到基站。代理的传感器测量结果导致定位误差，这由于代理的通信信道中出现的未知相位偏移而降低了基站处的服务质量。假设每个代理的定位误差遵循高斯分布，我们研究的问题，尽管定位误差的代理和基站之间形成一个可靠的通信链路。特别是，我们制定了一个离散的优化问题，只选择一个子集的代理发送的消息信号，使基站接收到的信噪比（SNR）的方差最小化，而预期的SNR超过所需的阈值。当定位误差的方差低于一定的阈值，其特征在于在载波频率方面，我们表明，贪婪算法可以用来在全球范围内最大限度地减少接收到的SNR的方差。另一方面，当一些代理具有大的方差的定位误差，我们表明，接收到的SNR的方差可以通过利用接收到的SNR的均值和方差的超模性局部最小化。在数值模拟中，我们证明了所提出的算法有可能比基于凸优化的方法更快地合成波束形成器数量级，同时使用更少的代理实现相当的性能。
2021-03-18 cs.IT eess.SP math.IT
RSS-based Multiple Sources Localization with Unknown Log-normal Shadow Fading
基于接收信号强度（RSS）的多源定位在无线传感器网络中引起了极大的兴趣。然而，由于障碍物引起的阴影衰落项不能从接收信号中分离出来，这导致了严重的位置估计误差。本文利用Fenton-Wilkinson方法对对数正态和分布进行了近似，得到了阴影衰落因子未知的非凸极大似然估计。为了克服非凸问题求解的困难，我们提出了一种新的算法来估计源的位置。首先将区域划分为$N$网格，将多源定位问题转化为稀疏恢复问题，从而得到稀疏解。然后，我们利用K-均值聚类方法获得的离网源的粗略位置作为ML估计的初始可行点。最后，提出了一个迭代的位置估计的细化动态更新的本地化字典。该算法能有效地逼近ML估计的局部最优解。仿真结果表明，该方法具有良好的定位性能，提高了未知阴影衰落环境下多源定位的鲁棒性。此外，所提出的方法提供了更好的计算复杂度从$O(K^3N^3)$到$O(N^3)$。
2021-10-20 eess.SP
Coronavirus Contact Tracing: Evaluating The Potential Of Using Bluetooth Received Signal Strength For Proximity Detection
Trinity College Dublin（都柏林圣三一学院）
我们报告的测量蓝牙低功耗（LE）的接收信号强度的手机在各种常见的，现实世界的设置。我们注意到，一个关键的困难是获得关于人们何时彼此靠近的基本事实。了解此基础事实对于准确评估蓝牙LE检测接触事件的准确性非常重要。我们通过采用基于网络的方法来实现这一点。总之，我们发现蓝牙LE接收信号强度可以根据手机的相对方向、人体的吸收、建筑物和火车中无线电信号的反射/吸收而显著变化。事实上，我们观察到，接收信号强度不需要随着距离的增加而降低。这表明，基于蓝牙LE接收信号强度的接近检测的准确方法的开发可能具有挑战性。我们的测量还表明，将蓝牙LE联系人跟踪应用程序的使用与新的社交协议的采用相结合可能会产生好处，但这需要进一步的调查。例如，在会议期间将电话放在桌子上可能会简化使用接收信号强度的接近检测。同样，携带手提包与手机放置靠近外表面。在信号传播的复杂性使得使用接收到的信号强度进行接近度检测成问题的位置中，从该位置的进入/退出可以替代地通过例如扫描时变QR码等来记录在应用中。
2020-05-19 cs.LG cs.NI eess.SP
Statistical Analysis of Received Signal Strength in Industrial IoT Distributed Massive MIMO Systems
第五代（5G）无线网络引入了对机器类型通信（MTC）的原生支持，这是物联网（IoT）革命的关键推动因素。当前的5G标准还不能完全满足关键MTC（cMTC）和大规模MTC（mMTC）用例的要求。这就是为什么工业界和学术界已经开始研究5G和第六代（6G）网络的技术解决方案。已经被广泛研究的一种技术解决方案是网络致密化、大规模多输入多输出（mMIMO）系统和以用户为中心的设计的组合，其被称为分布式mMIMO或无小区（CF）mMIMO。在这种新的模式下，不再有小区边界：网络上的所有接入点（AP）合作，共同为所有设备提供服务。在本文中，我们比较了传统的mMIMO和不同的分布式mMIMO设置的性能，并量化它们提供的宏分集和信号空间分集性能。针对工业室内场景中的上行链路，我们采用了一种基于实际测量活动的路径损耗模型。蒙特卡罗模拟结果表明，网格部署的AP提供更高的平均信道增益，但无线电条纹部署提供较低的接收信号强度的变化。
2022-05-02 eess.SP
A State Space Technique for Wildlife Position Estimation Using Non-Simultaneous Signal Strength Measurements
提出了一种新的状态空间技术来估计的位置和空中运动的VHF标记的野生动物个体与固定的VHF阵列。该方法结合了运动模型（在横向（水平）平面中的Ornstein-Uhlenbeck随机过程和在垂直方向上的Cox-Ingersoll-Ross过程）以确保三维中的生物学一致的轨迹，并且结合了观测模型以考虑距离、高度和方位角对接收到的信号强度的影响。接收信号的观测模型考虑了来自接收器噪声的低端饱和、来自接收器非线性的高端饱和以及无线多径现象，其根据八木阵列的范围、高度和辐射特性调制接收信号。合成的八木阵列的模式功能，有利于线性化的接收信号和随后的应用卡尔曼滤波。我们首先使用模拟轨迹验证模型，然后估计迁移VHF标记的滨鸟的时空轨迹，这是一个区域自动无线电遥测网络跟踪。该算法精确地预测了给定系统参数和初始条件的平均运动轨迹（平均误差$<$ 1 km）。模拟的滨鸟轨迹代表了使用固定遥测阵列的无线电标记鸟的三维（3D）的第一次估计，并且在定性上是合理的，但在垂直平面和初始条件下表现出一定的敏感性。
2018-05-28 eess.SP
RSS-based LTE Base Station Localization Using Single Receiver in Environment with Unknown Path-Loss Exponent
随着人们对基于位置的服务需求的不断增长，定位技术的研究也在不断加强。基于接收信号强度（RSS）的定位具有简单的优点。然而，由于基于RSS的定位需要路径损耗模型参数，很难在那些参数未知的地方使用。在先前的研究中，提出了一种用于未知路径损耗指数（PLE）条件下的多个固定接收机的发射机定位算法。然而，如果使用移动接收器，则仅用单个接收器就可以进行定位。在本文中，我们提出了一种基于RSS的LTE基站（BS）定位与单个移动接收机时，PLE是未知的方法。我们还提出了一个有效的移动接收机的运动方法，以提高PLE估计和BS定位精度。仿真结果验证了所提方法的有效性。
2020-09-24 eess.SP
Employing High-Dimensional RIS Information for RIS-aided Localization Systems
针对RIS辅助定位中现有研究忽略RIS信息潜力的问题，提出RIS-IR算法从低维BS信息重构高维RIS信息，结合基于迁移学习的TFBF算法实现MU定位，验证了高维RIS信息对定位性能的提升作用与鲁棒性。
2024-05-16 eess.SP
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
Optical Channel Impulse Response-Based Localization Using An Artificial Neural Network
University of Virginia（弗吉尼亚大学）
可见光定位具有在室内环境中产生亚厘米精度的潜力，然而传统的基于接收信号强度（RSS）的定位算法不能实现这一点，因为它们的性能会因光多径反射而降低。然而，由于光无线信道的通常静态和可预测的性质，光接收信号的这一部分是确定性的。在本文中，性能的光信道脉冲响应（OCIR）为基础的定位进行了研究，使用人工神经网络（ANN）映射嵌入功能的OCIR用户设备的位置。数值结果表明，OCIR的定位优于传统的RSS技术的两个数量级，仅使用两个光电探测器作为锚点。人工神经网络技术可以在各种场景中利用多径特征，从仅使用DC值到依赖于可以导致亚厘米精度的高分辨率时间采样。
2022-11-04 cs.IT cs.LG eess.SP
Exploit High-Dimensional RIS Information to Localization: What Is the Impact of Faulty Element?
本文提出利用高维RIS信息进行定位，通过TPTL检测故障元件，并用TEDS算法重构信息，实验证明其性能优于仅用BS信息的方法，且对相移和SNR鲁棒。
2024-05-28 eess.SP
Accurate and Robust Localization Techniques for Wireless Sensor Networks
该报告特别关注三个方面：第一是接收信号强度指示技术，波达方向技术，以及RSS和DOA两种算法的集成，以构建一种混合的，更鲁棒的算法。在接收信号强度（RSS）中，使用三边测量来估计未知节点位置。此报表检查不同估计量（如最小二乘法、加权最小二乘法和Huber稳健性）的性能，以获得最稳健的性能。在波达方向（DOA）方法中，使用多信号分类（MUSIC）、Root-MUSIC和经由旋转不变技术的信号参数估计（ESPRIT）算法来执行估计。我们研究了多种信号的情况下，利用各种天线的几何形状，其中包括均匀线性阵列（UWB）和均匀圆形阵列（UCA）。特别注意的是多路径的情况下，信号成为空间相关（或相干）。这需要使用预处理技术，包括相位模式激励（PME）、空间平滑（SS）和Toeplitz。现有的定位技术的进一步改进，证明通过使用一种混合的方法，其中各种组合的RSS和DOA的探索，模拟和分析。这导致了两个主要的贡献：第一个贡献是一个组合的RSS/DOA方法，基于UCA，它具有同时检测不相关和相干信号的公差。第二个主要贡献是一个组合的根MUSIC/Toepltiz方法，基于UCA，这是优于其他技术的检测信号的数量增加和减少计算负荷方面。
2018-06-14 eess.SP
Machine Learning-Based Near-Field Localization in Mixed LoS/NLoS Scenarios
针对近场混合视距/非视距场景中传统MUSIC算法计算复杂度过高的问题，提出一种基于CNN的定位方法，通过学习协方差矩阵特征向量与三维位置的映射实现高效定位。
2025-06-21 eess.SP
Bayesian Jammer Localization with a Hybrid CNN and Path-Loss Mixture of Experts
1Dept. of Electrical \& Computer Engineering, Northeastern University, Boston, MA, USA 2Dept. of Computer Science, University of Massachusetts Boston, Boston, MA, USA
针对城市GNSS干扰定位中RSS重建不佳的问题，提出融合物理路径损耗与CNN的贝叶斯专家混合框架，实现高精度定位并量化不确定性。
2025-10-23 cs.LG eess.SP
Pinching-Antenna System-Assisted Localization: A Stochastic Geometry Perspective
本文针对定位场景提出夹式天线系统辅助的新型定位框架，借助随机几何建模推导可定位性与CRLB分布闭式表达式，为波导数选择提供指导，验证其性能优于传统固定天线系统。
2025-11-19 eess.SP
IMNet: Interference-Aware Channel Knowledge Map Construction and Localization
针对存在非协作干扰节点的空对地信道，提出两阶段方法构建信道知识图谱，先估计干扰信号强度，再通过含负值校正模块的IMNet构建ISS图谱并实现IN定位，仿真显示其构建误差低于基线。
2024-12-02 eess.SP
Majorization-Minimization based Hybrid Localization Method for High Precision Localization in Wireless Sensor Networks
针对无线传感器网络混合源定位问题，提出基于MM原理的统一迭代定位框架，支持TOA/TDOA/RSS/AOA任意组合测量，仿真验证其在含NLOS的多场景下精度优于异质测量方案。
2025-10-06 eess.SP
A Local Machine Learning Approach for Fingerprint-based Indoor Localization
近年来，由于高定位精度和低实现成本，室内定位问题的机器学习（ML）解决方案变得流行。本文提出了一种新的局部非参数方法来解决高维接收信号强度指示（RSSI）值的定位。我们的方法包括一系列的分类算法，顺序缩小了可能的空间定位解决方案到更小的社区。这种顺序分类方法的思想类似于决策树算法，但关键区别在于我们在每个节点处对数据集的分割不是基于输入的特征（即RSSI值），而是基于从输出变量（即3D真实世界坐标）生成的一些离散值变量。我们的本地化解决方案的强度可以通过适当选择如何顺序地将位置空间划分为更小的邻域来调整到问题的具体细节。使用公开的室内定位数据集UJIIndoorLoc，我们评估了我们提出的方法与数据集的全局ML算法。本文的主要贡献是介绍了一种新的本地ML解决方案的室内定位问题。
2023-02-21 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
Estimating Distances via Received Signal Strength and Connectivity in Wireless Sensor Networks
Inner Mongolia University（内蒙古大学）
本文提出基于最大似然估计的融合方法，结合接收信号强度和局部连接性高效估计无线传感器网络中节点间距离，优于单一方法并接近CRLB。
2018-01-29 cs.SY eess.SP eess.SY
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
RIS-Aided Localization under Position and Orientation Offsets in the Near and Far Field
该研究针对近远场场景下RIS辅助定位中RIS位置与方向偏移校正问题，通过贝叶斯EFIM分析揭示了远场未知相位偏移阻碍方向偏移估计、近场多接收天线可消除该阻碍的规律，并给出定位性能界。
2023-08-21 cs.IT eess.SP math.IT
Iterative Bayesian-based Localization Mechanism for Industry Verticals
我们提出并评估了一种迭代定位机制，采用贝叶斯推断估计的位置，使用接收信号强度测量的目标。通过贝叶斯网络估计目标坐标的概率密度函数。在此，我们考虑一个迭代过程，每当有新的测量结果可用时，我们的预测值（后验分布）按顺序更新。该机制的性能进行了评估，在各自的均方根误差和内核密度估计的目标坐标。我们的数值结果表明，所提出的迭代机制实现了越来越好的估计目标节点的位置，每一轮更新的贝叶斯网络与新的输入测量。
2020-03-04 eess.SP stat.AP
Distance Invariant Sparse Autoencoder for Wireless Signal Strength Mapping
Utsunomiya University（宇都宫大学）
基于无线信号强度的定位可以使用廉价的传感器实现机器人的鲁棒定位。为此，必须为环境中的每个接入点学习位置到信号强度映射。由于无线网络在大多数环境中无处不在，这可能会导致数十或数百张地图。为了降低这个问题的维数，我们采用自动编码器，这是一种流行的无监督的方法，用于特征提取和数据压缩。特别是，我们建议使用稀疏自编码器来学习保留输入之间相对距离的潜在空间。输入空间和潜在空间之间的距离不变性使我们的系统能够成功地学习紧凑的表示，这些表示允许精确的数据重建，但当使用来自潜在空间而不是输入空间的映射时，对本地化性能的影响也很小。我们证明了我们的方法的可行性，在户外环境中进行实验。
2020-10-29 cs.RO eess.SP
Active Sensing for Localization with Reconfigurable Intelligent Surface
本文研究借助RIS的上行链路定位问题，提出一种基于LSTM和DNN的主动感知策略，通过自适应调整RIS反射系数以降低定位误差，且支持提前停止并产生可解释结果。
2023-10-19 cs.IT eess.SP math.IT
Inter-Mobile-Device Distance Estimation using Network Localization Algorithms for Digital Contact Logging Applications
我们正在开发移动应用程序，通过蓝牙自动记录联系人，以帮助在持续的COVID-19大流行的情况下扩大数字联系人追踪工作。这种应用的一个有用的组成部分是设备间距离估计，这可以被公式化为一个网络定位问题。我们调查了几种方法，并评估了每一种方法在真实和模拟的蓝牙低功耗（BLE）测量数据集上的性能，包括距离估计精度和邻近检测问题。我们研究了口袋等障碍物、设备型号之间的差异以及环境（即室内或室外）对性能的影响。我们的结论是，虽然直接估计可以提供最好的接近检测时，接收信号强度指示器（RSSI）的测量是可用的，网络定位算法，如Isomap，局部线性嵌入，弹簧模型优于直接估计在存在丢失或非常嘈杂的测量。弹簧模型始终达到最佳的距离估计精度。
2020-07-21 cs.NI eess.SP
SSLIDE: Sound Source Localization for Indoors based on Deep Learning
本文介绍了SSLIDE，使用深度学习的室内声源定位，它应用具有编码器-解码器结构的深度神经网络（DNN）来定位连续空间中随机位置的声源。每个麦克风接收到的声音信号的空间特征被提取并表示为每个点中声源位置的似然表面。我们的DNN由一个编码器网络和两个解码器组成。编码器获得输入似然的压缩表示。一个解码器解决混响引起的多径，和其他解码器估计源位置。实验结果表明，该方法在混响环境下不仅优于多信号分类（MUSIC）、相位变换引导响应功率（SRP-PHAT）、稀疏贝叶斯学习（SBL）和竞争卷积神经网络（CNN）方法，而且具有良好的泛化性能。
2021-02-15 eess.AS eess.SP
Deep Reinforcement Learning (DRL): Another Perspective for Unsupervised Wireless Localization
位置是空间化物联网（IoT）数据的关键。然而，使用低成本IoT设备进行鲁棒的无监督定位（即，没有具有已知位置标签的训练数据的定位）。因此，本文提出了一种基于深度强化学习（DRL）的无监督无线定位方法。主要贡献如下。(1)本文提出了一种方法来模拟一个连续的无线定位过程的马尔可夫决策过程（MDP），并在DRL框架内处理它。(2)为了减轻在使用未标记数据时获得奖励的挑战（例如，日常生活中的众包数据），本文提出了一种奖励设置机制，该机制从未标记的无线接收信号强度（RSS）中提取鲁棒的地标数据。(3)为了减轻使用DRL进行本地化时对模型重新训练的要求，本文使用RSS测量与代理位置一起构建DRL输入。该方法是通过使用多个蓝牙5智能耳标在牧场的现场测试数据进行测试。同时，实验验证过程也反映了DRL在无线定位中的优势和挑战。
2020-04-09 cs.LG eess.SP stat.ML
Deep Learning with Partially Labeled Data for Radio Map Reconstruction
Université Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CEA-Leti（法国原子能委员会电子与信息技术实验室）
该研究针对接收信号强度地图重建问题，结合区域辅助知识，利用神经架构搜索匹配不同先验信息量的最优网络结构，在三座城市的数据集上验证了辅助信息可提升重建精度，尤其在网关附近波动较大的区域效果显著。
2023-06-07 cs.IT cs.LG eess.SP
