基于无线信道感知的数据增强方法在深度学习室内定位中的应用

本文探讨了在大规模MIMO移动通信系统中，利用深度神经网络（DNN）进行基于信道状态信息（CSI）的定位问题。

提出了一种基于特征设计的方法，以提高DNN的性能，使特征对于障碍物的不变性得以实现。

通过在户外环境中收集的地理标记CSI数据集进行实验，验证了所提方法的高效率和适用性。

研究了基于射频信号的机器学习定位系统，涵盖了架构、输入特征、机器学习方法和数据集等方面。

提出了多种新算法和模型，如基于RSS的卷积神经网络LocUNet，显著提升了城市环境中的定位性能。

通过使用孪生神经网络优化全局通道图，提高了室内定位的准确度，定位精度分别为5G和UWB设置为1.4m和0.69m。

基于物联网的新的室内定位方法，通过深度学习和特征增强技术，定位精度提高了8%以上，平均定位误差为0.77米。

探讨了非直线视距定位中不同输入表征对模型性能的影响，激发了未来构建更高效神经网络的研究。

提出了一种基于元学习的室内定位模型，解决了传统深度学习模型的泛化性不足问题。

利用深度嵌入聚类（DEC）的方法，提出了一种无监督锚节点选择的新方法，显著减少了定位误差。