論文の概要: A New Paradigm for Device-free Indoor Localization: Deep Learning with
Error Vector Spectrum in Wi-Fi Systems
- arxiv url: http://arxiv.org/abs/2304.06490v1
- Date: Sat, 25 Mar 2023 04:33:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-16 21:47:36.169209
- Title: A New Paradigm for Device-free Indoor Localization: Deep Learning with
Error Vector Spectrum in Wi-Fi Systems
- Title(参考訳): デバイスフリー屋内ローカライゼーションのための新しいパラダイム:Wi-Fiシステムにおける誤差ベクトルスペクトルを用いたディープラーニング
- Authors: Wen Liu, An-Hung Hsiao, Li-Hsiang Shen, Kai-Ten Feng
- Abstract要約: 本稿では,デバイスレス屋内ローカライゼーションのための新しい誤りベクトル支援学習手法を提案する。
提案手法はディープニューラルネットワークを用いて屋内環境における人物の位置を分類する。
実験の結果,提案手法は従来の機械学習手法よりも優れていることがわかった。
- 参考スコア(独自算出の注目度): 7.010598383249521
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The demand for device-free indoor localization using commercial Wi-Fi devices
has rapidly increased in various fields due to its convenience and versatile
applications. However, random frequency offset (RFO) in wireless channels poses
challenges to the accuracy of indoor localization when using fluctuating
channel state information (CSI). To mitigate the RFO problem, an error vector
spectrum (EVS) is conceived thanks to its higher resolution of signal and
robustness to RFO. To address these challenges, this paper proposed a novel
error vector assisted learning (EVAL) for device-free indoor localization. The
proposed EVAL scheme employs deep neural networks to classify the location of a
person in the indoor environment by extracting ample channel features from the
physical layer signals. We conducted realistic experiments based on OpenWiFi
project to extract both EVS and CSI to examine the performance of different
device-free localization techniques. Experimental results show that our
proposed EVAL scheme outperforms conventional machine learning methods and
benchmarks utilizing either CSI amplitude or phase information. Compared to
most existing CSI-based localization schemes, a new paradigm with higher
positioning accuracy by adopting EVS is revealed by our proposed EVAL system.
- Abstract(参考訳): 商用Wi-Fiデバイスを用いたデバイスフリー屋内ローカライゼーションの需要は、その利便性と汎用性から、様々な分野で急速に増加している。
しかし、無線チャネルにおけるランダム周波数オフセット(RFO)は、変動チャネル状態情報(CSI)を使用する場合の屋内位置決めの精度に課題をもたらす。
RFO問題を軽減するために、信号の高分解能とRFOに対するロバスト性によりエラーベクトルスペクトル(EVS)が考案される。
これらの課題に対処するために,デバイスレス屋内ローカライゼーションのための新しいエラーベクトル支援学習(EVAL)を提案する。
提案手法では,物理層信号から十分なチャネル特徴を抽出することにより,深層ニューラルネットワークを用いて屋内環境における人物の位置を分類する。
我々は,OpenWiFiプロジェクトに基づく実測実験を行い,ESVとCSIの双方を抽出し,デバイスフリーのローカライゼーション技術の性能について検討した。
実験の結果,提案手法はCSI振幅および位相情報を利用した従来の機械学習手法やベンチマークよりも優れていた。
既存のcsiベースのローカライズ方式と比較して,evsの採用による位置決め精度の高い新しいパラダイムが提案されている。
関連論文リスト
- Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
異常と欠落したデータは、産業応用における厄介な問題を構成する。
ディープラーニングによる異常検出が重要な方向として現れている。
エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
論文 参考訳(メタデータ) (2024-11-06T15:38:31Z) - SANGRIA: Stacked Autoencoder Neural Networks with Gradient Boosting for
Indoor Localization [3.3379026542599934]
そこで本研究では,SANGRIAと呼ばれる屋内位置推定のための新しいフィンガープリント・フレームワークを提案する。
屋内の様々な地域や異種デバイスにおける平均局所化誤差が42.96%低いことを実証する。
論文 参考訳(メタデータ) (2024-03-03T00:01:29Z) - Improved Indoor Localization with Machine Learning Techniques for IoT
applications [0.0]
本研究では, 教師付き回帰器, 教師付き分類器, RSSIを用いた屋内位置推定のためのアンサンブル手法の3段階に機械学習アルゴリズムを適用した。
実験の結果は、屋内環境におけるローカライズ精度とロバスト性の観点から、異なる教師付き機械学習技術の有効性に関する洞察を与える。
論文 参考訳(メタデータ) (2024-02-18T02:55:19Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳(メタデータ) (2024-01-22T14:16:37Z) - A Variational Auto-Encoder Enabled Multi-Band Channel Prediction Scheme
for Indoor Localization [11.222977249913411]
周波数領域から室内指紋位置決めの精度を向上する手法を提案する。
オフィスシナリオから収集したCOST 2100シミュレーションデータと実時間周波数分割多重化(OFDM)WiFiデータに基づいて提案手法を検証した。
論文 参考訳(メタデータ) (2023-09-19T08:19:34Z) - Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable
Intelligent Surface-Aided Tera-Hertz Massive MIMO [56.022764337221325]
再構成可能なインテリジェントサーフェス(RIS)は,Tera-Hertz大規模マルチインプットマルチアウトプット(MIMO)通信システムのサービスカバレッジを大幅に向上させることができる。
しかし、パイロットとフィードバック信号のオーバーヘッドが限定された正確な高次元チャネル状態情報(CSI)を得ることは困難である。
本稿では、RIS支援Tera-Hertzマルチユーザアクセスシステムのための、ディープラーニング(DL)に基づくレート分割多重アクセス方式を提案する。
論文 参考訳(メタデータ) (2022-09-18T03:07:37Z) - GraSens: A Gabor Residual Anti-aliasing Sensing Framework for Action
Recognition using WiFi [52.530330427538885]
WiFiベースのヒューマンアクション認識(HAR)は、スマートリビングやリモート監視といったアプリケーションにおいて、有望なソリューションと見なされている。
本稿では,無線機器からのWiFi信号を用いた動作を,多様なシナリオで直接認識する,エンド・ツー・エンドのGabor残差検知ネットワーク(GraSens)を提案する。
論文 参考訳(メタデータ) (2022-05-24T10:20:16Z) - Addressing Gap between Training Data and Deployed Environment by
On-Device Learning [1.6258710071587594]
本稿では、オンデバイスラーニング(ODL)アプローチに基づくニューラルネットワークを導入し、デプロイされた環境で再トレーニングすることでこの問題に対処する。
我々のアプローチは、ローエンドエッジデバイスに適した複数のニューラルネットワークの半教師付きシーケンシャルトレーニングに依存している。
回転機械の振動パターンを用いた実験により、ODLによる再トレーニングはノイズの多い環境での予測専用ディープニューラルネットワークと比較して異常検出精度を向上させることが示された。
論文 参考訳(メタデータ) (2022-03-02T12:59:33Z) - CSI Feedback with Model-Driven Deep Learning of Massive MIMO Systems [0.0]
モデル駆動深層学習に基づく2段階低ランクCSIフィードバック方式を提案する。
さらに、より効率的なCSIフィードバックを実現するために、高速反復収縮しきい値アルゴリズム(FISTA)を展開させることにより、FISTA-Netというディープ反復ニューラルネットワークを設計する。
論文 参考訳(メタデータ) (2021-12-13T03:50:43Z) - Three-Way Deep Neural Network for Radio Frequency Map Generation and
Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。
本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文 参考訳(メタデータ) (2021-11-23T22:25:10Z) - A Compressive Sensing Approach for Federated Learning over Massive MIMO
Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。
本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文 参考訳(メタデータ) (2020-03-18T05:56:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。