没有合适的资源?快使用搜索试试~ 我知道了~
⃝=××可在www.sciencedirect.com上在线获取ScienceDirectICTExpress 7(2021)540www.elsevier.com/locate/icte基于通用门控递归单元的超宽带系统三维定位方法Doan Tan Anh Nguyena,JingonJinga,Chongqing,Xin Kangba电子和电气工程系,中央大学,首尔06974,大韩民国b电子科技大学智能网络与通信研究中心,成都611731接收日期:2021年4月6日;接受日期:2021年2021年7月9日在线摘要在这项研究中,一个通用的门控递归单元(u-GRU)的位置估计(LE)方法,提出了获得超宽带(UWB)发射机的位置。建议的u-GRU-LE系统由一个基于GRU的分类器和九个定位器的九个信道模型(CM)。该分类器首先预测CM,然后根据预测的CM选择合适的定位器来估计发射机的位置。严格的模拟与各种CM执行。从结果中,它被验证,所提出的通用的基于GRU的3D定位方法一般表现良好,无论信道环境。c2021韩国通信和信息科学研究所(KICS)。出版社:Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。关键词:3D定位;深度学习;门控递归单元(GRU);超宽带(UWB)系统1. 介绍对精确室内定位系统的需求正在增长,因为它们是物联网的重要组成部分室内定位系统有着广泛的应用,例如建筑物内的用户跟踪或仓库内的无人驾驶车辆控制。在[1,2]中,作者提出,基于WiFi的室内定位系统,其中[2]采用传感器融合方法。超宽带(UWB)技术由于具有抗多径效应和干扰的鲁棒性、高清晰度和穿透各种材料的能力,主要用于室内定位。在[3]中,提出了一种基于卷积神经网络(CNN)的方法来估计UWB发射机(Tx)和接收机(Rx)之间的距离。在[4]中,提出了一种更复杂的CNN模型,用于从三个Rx中捕获的信号中找到Tx的二维位置。通过使用开放区域中的测量值(例如时间差、频率差和到达角)来跟踪三维(3D)移动对象[5]。在[6]中,设计了一个基于门控递归单元(GRU)的模型∗ 通讯作者。电子邮件地址:tananh0404@cau.ac.kr(D.T.A.Nguyen),jgjoung@cau.ac.kr(J.Jenkins),kangxin@uestc.edu.cn(X.Kang)。同行评审由韩国通信和信息科学研究所(KICS)负责https://doi.org/10.1016/j.icte.2021.06.006估计Tx在受限空间中的3D位置,这被称为基于GRU的位置估计(GRU-LE)方法。在[6]中,GRU-LE方法需要为每个特定环境训练深度学习模型。如果环境发生变化,则必须使用新环境的新数据重新训练模型。因此,在这项研究中,[6]中的GRU-LE方法被扩展到各种环境中,而无需重新训练。据我们所知,一直缺乏对基于UWB信号的环境检测/分类的研究。为此,通过使用所提出的基于GRU的分类器对信道环境进行分类,然后通过使用针对分类的信道模型训练的适当的GRU-LE来估计Tx位置所提出的方法被称为通用GRU-LE(u-GRU-LE)方法。数值结果验证了所提出的u-GRU-LE算法的有效性Tx良好,与信道模型无关。2. 系统和信号模型考虑一个体积为D1D2D3的受限立方体区域,其中D1、D2和D3表示该区域的宽度、深度和高度,如图1所示。在该区域内,UWB Tx发射信号,并且在八个角处的P个RxP8)捕获信号。Tx和Rxp的位置是(x, y, z)2405-9595/2021韩国通信和信息科学研究所(KICS)。出版社:Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。D. T. A. Nguyen,J.Jesus和X.康ICT Express 7(2021)540541=·=−∈联系我们∈联系我们联系我们⏐⏐=⏐⏐∈1)r+1dd联系我们∗=+--∈、−o,1,qo,P,q、l=0k=0、、=∑ ∑−Fig. 1. 3D环境模型与一个Tx和P8 Rx的。根据来自P个Rx的接收信号来估计Tx的位置图二. 提出GRU分类器架构。从P个接收到的UWB信号中,CM被分类为CM-0。表1信道模型符号和环境[7]。渠道模式环境表示第l个集群的第k个多径分量的抽头权重;φk, l表示第l个集群的第k个多径分量的均匀分布的相位;δ()是增量函数;T1是第l个集群的延迟;以及τk, l是第l个簇的第k个多径分量的簇内延迟。匹配滤波后的信号由y0, p(t)表示为y0, p(t)s(T dt)其中Td是信号因果关系的延迟。3. 该方法在本节中,我们将描述基于GRU的分类器和定位器的设计,以及输入训练样本的生成。3.1. 输入生成输入生成方法遵循[6]中的方法。为了生成Q个训练样本,在Rx p处的CM-0中捕获信号y o ,p ,q(t),其中o1,. . .,9,p1,. . .,P和q1,. . .、Q.然后,这些信号以采样频率fs被采样为复值向量y0,p,qCN×1,其第n个元素由y 0 ,p ,q[n]表示,其中n 1,. . .、N. 这里,N被设计为3600。实值标准化向量vo, p, q RN×1由第n个元素生成,定义如下:CM-1住宅,LoSCM-2住宅,NLoSvo,p, q[n]yo, p, q[n]−µo, p, q,(1)σo,p, qCM-3办公室,苏丹南部CM-4办公室,NLoS其中µo, p,q和σo,p, q平均值和标准差CM-5户外(郊区),LoSCM-6室外(郊区),NLoSCM-7 Industrial,LoSCM-8 Industrial,NLoSy o,p,q[n] .为了降低计算复杂度和噪声影响,vo,p,q被下采样到uo,p,qRN/rd×1,其中下采样采样率rd,其中第n个元素被定义如下:CM-9户外开放式(雪地,农场)uo,p,q [nr]=n∈{(nr −max,.,nrr}vo, p, q[n],(2)和(x p,y p,z p),其中p∈ {1,. . .,8}中所示。 Tx随机地位于该区域内,即,xU[0,D1],其中n为1,. . .,N/r d.然后,组合PRx处的所有下采样信号以y=U[0,D2],z=U[0,D3],其中U[a, b]表示区间[a, b]内的均匀分布的目的Uoq=[uT· · ·uT]T∈ R P×(N/rd).(三)所考虑的定位系统是从接收到的信号估计区域内对于本研究,考虑表1中遵循IEEE 802.15.4a标准的九个UWB信道模型(CM)[7]。在这里,住宅,办公室,户外和工业环境建模与视线(LoS)或非视线(NLoS)。假设定位系统在CM-0中运行,1,. . .,9中,Rx p的接收信号(由r0,p(t)表示)被建模如下[7]:r0,p(t)h0,p(t)s(t)n0,p(t),其中h0,p(t)是Tx和Rx p之间的信道的脉冲响应,s(t)表示在时间t的发射信号,n0,p(t)表示Rx p处的加性高斯白噪声,并且表示卷积运算。这里,信道建模如下[7]:hop(t)Lp−1Kl−1aklexp(jφkl)δ(tlτk, l),其中Lp表示簇的总数;Kl表示第l个多径分量的不D. T. A. Nguyen,J.Jesus和X.康ICT Express 7(2021)540542=···这里,U。,q可以按时间步进方式分成许多列向量,即,Uo q[io,1,qio, N/ rd,q]。 Uo, q的第nr列向量(由io, nr,q表示)是GRU中时间步长nr处的输入向量,而第p行向量是GRU学习网络的第p个特征。3.2. 分类器结构所提出的信道模型的基于GRU的分类器在图2中示出。分类器是一个深度学习模型,由(i)输入层,(ii)GRU层,(iii)两个完全连接(FC)层,(iv)softmax层和(v)分类层组成。GRU层由N/ rd个GRU单元组成,其与输入时间步长的数量相同。表示第l个GRU层中GRU像元在时间步长处D. T. A. Nguyen,J.Jesus和X.康ICT Express 7(2021)540543∈∈Q()c=1−fc+fc (7)l,t l,tl,t−1l,tl,t˜∈()()⊙˜··ˆ˜∈联系我们{}√∑==ml, t=σ×Wmg l, t+R mc l,t−1+b m(五)图3.第三章。提 出 了 一种基于通用门控递归单元(u-GRU)的九信道模型(CM )位置估计(u-GRU-LE)系统。t乘gl,tRIg×1和cl,tRCg×1。然后,单元内的操作建模如下:GRU-LE模型和Tx的地面实况位置,其被建模为fl, t=σ(Wfgl, t+Rfcl, t−1+bf))(4)LTx=1∑[(2Qq=1xq−xq)2+(yq−y<$q)2+(zq−z<$q)2] ,(8)cl,t=tanh(Wcgl,t+Rc(ml,tcl,t−1)+bc)(6)其中,fl, t,ml, t和cl, tRCg×1表示第l个GRU中的GRU单元的更新门、复位门和候选激活其中,xq, yq, zq和xq, yq, zq分别表示第q个训练样本的地面真值和Tx位置的估计。GRU-LE模型训练过程试图最小化(8)中的损失LTx。时间步t处的层;Wf,Wm和Wc∈RCg×Ig描述了fl,t、ml,t和cl,t的输入权重分别表示;Rf、Rm和Rc∈RCg×Cg分别表示fl, t、ml, t和cl, t的递归权重;bf、bm、bc∈RCg×1分别表示fl, t、ml, t和cl, t的偏差;σ()和tanh()分别表示sigma函数和tanh函数;和表示逐元素乘法运算。GRU单元可以在前一个时间步中对其输入和输出进行编码。GRU单元输出的长度被认为是GRU层的单元数。这里,GRU层的单元数量为32。最后一个单元格的输出将作为第一个FC层的输入。两个FC层的单元数量分别为128和9个单元。分类器输出是输入信号的CM的估计类别,其由o表示。参数和图层的GRU分类器的数值设计,使得在最短的训练时间内获得分类器的最高精度。3.3. 定位器架构在所提出的GRU分类器处预测输入训练信号的CM之后,定位器模型,即,CM-NET3.4. 拟议的u-GRU-LE系统图图3示出了所提出的u-GRU-LE系统。UWB信号y 0,p(t)在Rx p处被接收并且在u-GRU-LE系统处被收集,其中p 1,. . .,P.每个信号在(1)中被归一化为v〇, p[n],然后在(2)中被下采样为u〇, p[nr]。训练矩阵Uo通过如(3)中所示堆叠P个行向量来构造。图2中提出的GRU分类器预测CM的类别,即,o 1,. . .,9,来自Uo。一旦确定了CM的类别,训练矩阵Uo就被转移到对应的CM-o的局部化器,其由CM-o的局部化器-NE T表示。Tx的位置,即, (x,y,z),然后通过CM-o-NE T估计.4. 仿真结果在本节中,我们比较了在各种环境下所提出的u-GRU-LE方法与传统的GRU-LE方法的性能。作为性能指标,我们使用Tx的3D位置的估计值和地面真实值之间的均方根误差(RMSE),其定义为在CM-o-NET中相应地选择。CM-0-NET是由给定CM-0下接收到的信号生成的训练数据集来训练的。每个CM-o-NET都遵循RMSE误差1TTt=1[(xt-x<$t)2+(yt−yt)2+(zt−z<$t)2]。[6,图2]中的GRU-LE模型,其包括(i)输入层,(ii)两个GRU层,分别具有64和32个单元,(iii)三个FC层,分别具有256、32和三个单元,以及(iv)回归层。这里,第二GRU层从第一GRU层的输出获取输入。将两个GRU层放在彼此之上有助于GRU-LE模型随着时间的推移学习输入信号的不同抽象级别。回归层计算在立方体区域中,八个Rx位于八个角,即,P8,如第2节所示。在MATLAB 2021a中进行了仿真。 采样频率固定为fs24千兆赫。下采样率rd被设置为30,它为u-GRU-LE方法提供了最佳性能,这意味着两种基于GRU的模型的输入训练矩阵大小为8120.有18万个训练样本,使用自适应矩估计训练分类器D. T. A. Nguyen,J.Jesus和X.康ICT Express 7(2021)540544=图四、 RMSE性能(y轴)与SNR(x轴)的关系。CM-o-NET和u-GRU-LE使用各种CM进行测试(ADAM)算法。epoch的数量为20,每个小批次有200个样本。初始学习率为0。02,每两个时期下降到90%,梯度阈值为1。训练分类器大约需要5分钟。图4各种CM下跨SNR的CM-o-NET和u-GRU-LE方法的RMSE,即,给出了各种测试数据的均方根误差。RMSE随着SNR的增加而减小。CM-o-NET对在CM-o环境下生成的测试数据运行良好.然而,如果使用在CM-o下生成的数据进行测试,CM-o-NET的性能会严重恶化,其中o o.另一方面,所提出的u-GRU-LE操作良好,与CM无关(特别是,对于具有LoS的CM)。从结果中,它被验证,所设计的GRU分类器是有效的,以确定CM,即使它的准确性是不够的,例如,当信噪比大于20 dB(10 dB)时,约有90%(75%)的信噪比是基于本文省略的仿真结果。5. 结论在这项研究中,我们已经扩展了传统的基于GRU的位置估计(GRU-LE)的方法,它是训练和操作一个特定的信道模型(CM),一个通用的定位方法操作以及各种CM。为此,我们设计了一个基于GRU的分类器,有效地分类,D. T. A. Nguyen,J.Jesus和X.康ICT Express 7(2021)540545数值验证的CM。所提出的采用所设计的GRU分类器的通用GRU- LE(u-GRU-LE)可以定位UWB发射机,而不管UWB发射机的类型。CM,如果潜在的CM得到充分的培训。由于所提出的u-GRU-LE的GRU网络不需要当在不同的环境中部署时,根据CM的类型进行重新训练,UWB定位系统的动态操作是可能的,代价是GRU分类器的边际计算复杂度增加。竞合利益作者声明,他们没有已知的可能影响本文所报告工作确认这项研究得到了韩国政府(MSIT)资助的国家研究基金会(NRF)资助(NRF-2019 R1 A2 C1084168 2021 R1A4 A200 1316)的支持。引用[1] N.帕克,S。荣格,D. Han,An adaptive hybrid filter for practicalwifi-basedpositioning systems,ICT Express 1(2)(2015)82-85.[2] D.汉,S.荣格,S. Lee,基于Wi-Fi的室内定位的传感器融合方法,ICT Express 2(2)(2016)71-74。[3] J. Jenkins,S.荣格,S. Chung,E. R. Jeong,基于CNN的UWB系统定位的传输距离估计,电子快报。55(17)(2019)938-940。[4] D. T. A. Nguyen,H.- G.李,E.- R. Jeong,H.L. Lee,J. Jardin,基于深度学习的UWB系统定位,Elect。9(10)(2020)1712-1729.[5] H.徐,H. Kim,J. Kang,I. Jeong,W. Ahn,S. Kim,3D MovingTargetTracking with Measurement Fusion of tdoa/fdoa/aoa , ICTExpress 5(2)(2019)115-119.[6] D. T. A. Nguyen,J. Jorge,X. Kang,UWB系统的基于深度门控递归单元的3D定位,IEEE Access 9(2021)68798-69798。[7] A.F. Molisch,K.Balakrishnan,D.卡西奥利角冲,S.江美,A. 放 大 图片 作 者 :J.尚 茨 大学Schuster , K.Si-wiak , IEEE802.15.4a信道模型-最终报告,IEEE 802.15WPAN低速率替代PHY任务组,技术。代表IEEE802.15-04-0662-02- 004 a,2004年。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功