基于联邦深度学习的大规模MIMO系统下行CSI预测技术研究
这是一篇关于大规模MIMO,信道状态信息,深度学习,联邦学习,神经网络的论文, 主要内容为作为新一代移动通信系统中的关键技术之一,大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)具有系统容量大、可靠性高、鲁棒性强等优势,充分发挥这些优势的前提条件是准确地获取上下行链路的信道状态信息(Channel State Information,CSI)。在频分双工(Frequency Division Duplex,FDD)系统中,由于上下行链路采用不同的传输频率,基站无法直接根据信道互易性从上行CSI推断出下行CSI。近年来,利用深度学习技术在基站端建立神经网络模型来预测下行CSI已经成为一个研究热点。然而,部分微基站数据量不足,难以训练出有效的预测模型。基于此,本文引入分布式CSI预测的概念,提出了基于联邦学习和深度学习的下行CSI预测方案。具体的研究工作如下:首先,本文建立了用于预测下行CSI的深度学习模型。在FDD大规模MIMO系统中,天线数量较多并且信道的互易性不可用,这使得获取CSI非常具有挑战性。本文提出了一种基于深度学习的下行CSI预测方案,该方案利用上行信道和下行信道的映射关系,基于数据驱动的方法,经过离线训练、在线部署的流程,达到根据上行CSI预测下行CSI的目的。为使神经网络更适用于处理高维CSI数据,本文设计了3D-Csi Net网络模型,该网络使用三维卷积替换二维卷积,改善了特征提取和残差网络模块。仿真结果表明,与传统的Csi Net模型相比,所提出的3D-Csi Net模型有更高的预测精度和泛化能力。接着,本文提出了基于联邦学习的分布式下行CSI预测方案。在该方案中,边缘微基站在本地数据集上训练本地模型,并将训练好的模型参数发送给中央宏基站。宏基站对这些模型参数进行聚合和更新,并将最新的全局模型参数发送回微基站。整个训练过程通过联邦学习框架进行迭代,直到达到收敛条件。实验结果表明,相对于需要上传本地数据的中心化学习方法,联邦学习方法可大幅减少模型训练过程中的传输数据量,降低通信成本。最后,本文提出了一个高效进行联邦学习的模型聚合算法。宏基站处的模型聚合过程是整个联邦学习框架非常重要的一环,而聚合算法也决定了最终的模型性能。传统的联邦平均(Fed-Avg)算法在模型性能和收敛速度方面都表现较差,而且当本地数据不平衡时,难以训练出一个合格的全局模型。为此,本文提出了一种新的模型聚合算法,即联邦权重梯度(Fed-WG),在该算法中,中央宏基站从边缘微基站接收本地模型权重和梯度信息,然后对全局模型进行连续两轮的参数更新。另外,该算法还在全局模型训练过程中添加反馈机制以提高模型泛化能力。仿真结果表明,相较于传统的Fed-Avg算法,提出的Fed-WG算法能够更有效地加速全局模型的收敛速度,提高全局模型的预测精度。
面向室内终端定位的CSI开集识别与定位方法
这是一篇关于信道状态信息,室内终端定位,开集识别,图数据增强,图增量学习的论文, 主要内容为现代智能城市中室内机器人的运维工作、人员室内路径导航需求等应用场景都会使用到室内终端定位相关技术。目前,使用信道状态信息(Channel State Information,CSI)指纹作为Wi Fi信号样本进行室内定位是室内定位领域的重要方法之一。该方法往往为了保证定位精度,预采集部署工作量很大。一方面,为了简化部署工作,减少采集点位会导致指纹缺失,形成开放空间。另一方面,CSI受室内复杂动态环境干扰严重,已采集点位待测样本也会变化为开集。综上两种CSI开集(CSI Open Set)对CSI指纹方法干扰严重,是导致模型长期维护困难的重要原因,所以缺少一种面向CSI开集进行识别与定位的方法。对此,本文提出一种面向室内终端定位的CSI开集识别与定位的方法,旨在降低指纹部署工作量的同时,减小CSI开集带来的开放空间风险。首先,针对指纹库部署工作量大的问题,设计了一种基于非全域CSI指纹的室内终端到达角回归估计方法。该方法简化采集方案,设计一种基于多层感知机(Multilayer Perceptron,MLP)回归模型学习闭集指纹特征表示并对未采集点位下CSI开集进行预测。实验结果表明,所提方法在CSI到达角回归预测任务上开放空间风险约为21.67%,性能良好。其次,针对行人穿过直射路径对CSI产生扰动问题,提出一种基于改进Res Net和特征离群检测的CSI开集识别方法。通过改进的Res Net提取特征编码,在此基础上使用极值理论和离群检测进行CSI开集识别,取得97.89%的识别率,优于其余基于深度特征的开集识别方法。最后,针对使用图增量学习方式长期维护指纹库的次优图问题,提出一种基于持续进化分类器(Continually Evolved Classifiers,CEC)和图数据增强的CSI开集特征增量分类方法。为指纹库创建图结构,并通过持续将CSI开集特征拓展进指纹库、同步简化指纹库的图结构,优化指纹学习方法。增强后的CEC在CSI开集定位任务较原CEC方法有3.9%的分类准确率提升,同时可将图结构简化约为原来的80%。综上,本文所提应用方法在降低指纹部署工作量、对抗室内复杂环境干扰有一定程度的成效,在室内终端定位应用研究也有不错的应用前景。
基于低算力平台的WiFi无线感知系统设计与实现
这是一篇关于无线感知,手势识别,信道状态信息的论文, 主要内容为随着物联网技术的发展,使用手势动作操作智能家居设备逐渐成为了一种新兴的交互方式。目前利用无线信号对手势动作进行识别的技术包括毫米波、WiFi等多种方案,其中WiFi部署简单,价格低廉,具有较强的实用价值,因此备受关注。现有的相关研究重点在于解决手势动作识别的准确率问题,较少关注智能家居场景中,在低算力的嵌入式设备上实际应用的性能问题。本文主要关注在智能家居场景下,使用较低算力的平台,实现基于WiFi信号的手势动作无线感知系统,并提供了一套应用程序编程接口,满足各种智能家居设备接入的需求。本文主要工作包括:(1)开发搭建了基于低算力平台的手势动作数据采集平台,面向智能家居场景手势识别任务,针对四种交互手势动作采集了数千条样本。(2)设计了一种高效的CSI信号预处理方法,能够快速去除信号中的异常值并进行平滑,减少预处理流程耗时,提高系统的实时性;设计了 一种基于动态阈值的手势动作检测算法,能够低延迟地对输入的CSI数据流进行不间断检测,提取出包含手势动作的数据段。(3)提出了一种轻量级的手势动作识别模型,利用深度可分离卷积降低传统卷积神经网络的卷积操作所需要的计算量。将提取到的手势动作数据处理为一张特征图片,利用卷积神经网络结合注意力机制实现手势动作识别。(4)搭建了基于WiFi无线感知的低延迟手势交互系统,实现了手势动作识别结果的展示、控制照片浏览、控制视频播放等功能,并提供了应用程序编程接口供智能家居设备接入。对系统的各项需求进行了功能测试和性能测试,并与其它识别模型进行了性能对比,本系统对四种手势动作识别的准确率能够达到98%以上。
基于联邦深度学习的大规模MIMO系统下行CSI预测技术研究
这是一篇关于大规模MIMO,信道状态信息,深度学习,联邦学习,神经网络的论文, 主要内容为作为新一代移动通信系统中的关键技术之一,大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)具有系统容量大、可靠性高、鲁棒性强等优势,充分发挥这些优势的前提条件是准确地获取上下行链路的信道状态信息(Channel State Information,CSI)。在频分双工(Frequency Division Duplex,FDD)系统中,由于上下行链路采用不同的传输频率,基站无法直接根据信道互易性从上行CSI推断出下行CSI。近年来,利用深度学习技术在基站端建立神经网络模型来预测下行CSI已经成为一个研究热点。然而,部分微基站数据量不足,难以训练出有效的预测模型。基于此,本文引入分布式CSI预测的概念,提出了基于联邦学习和深度学习的下行CSI预测方案。具体的研究工作如下:首先,本文建立了用于预测下行CSI的深度学习模型。在FDD大规模MIMO系统中,天线数量较多并且信道的互易性不可用,这使得获取CSI非常具有挑战性。本文提出了一种基于深度学习的下行CSI预测方案,该方案利用上行信道和下行信道的映射关系,基于数据驱动的方法,经过离线训练、在线部署的流程,达到根据上行CSI预测下行CSI的目的。为使神经网络更适用于处理高维CSI数据,本文设计了3D-Csi Net网络模型,该网络使用三维卷积替换二维卷积,改善了特征提取和残差网络模块。仿真结果表明,与传统的Csi Net模型相比,所提出的3D-Csi Net模型有更高的预测精度和泛化能力。接着,本文提出了基于联邦学习的分布式下行CSI预测方案。在该方案中,边缘微基站在本地数据集上训练本地模型,并将训练好的模型参数发送给中央宏基站。宏基站对这些模型参数进行聚合和更新,并将最新的全局模型参数发送回微基站。整个训练过程通过联邦学习框架进行迭代,直到达到收敛条件。实验结果表明,相对于需要上传本地数据的中心化学习方法,联邦学习方法可大幅减少模型训练过程中的传输数据量,降低通信成本。最后,本文提出了一个高效进行联邦学习的模型聚合算法。宏基站处的模型聚合过程是整个联邦学习框架非常重要的一环,而聚合算法也决定了最终的模型性能。传统的联邦平均(Fed-Avg)算法在模型性能和收敛速度方面都表现较差,而且当本地数据不平衡时,难以训练出一个合格的全局模型。为此,本文提出了一种新的模型聚合算法,即联邦权重梯度(Fed-WG),在该算法中,中央宏基站从边缘微基站接收本地模型权重和梯度信息,然后对全局模型进行连续两轮的参数更新。另外,该算法还在全局模型训练过程中添加反馈机制以提高模型泛化能力。仿真结果表明,相较于传统的Fed-Avg算法,提出的Fed-WG算法能够更有效地加速全局模型的收敛速度,提高全局模型的预测精度。
基于深度学习的位置指纹室内定位算法研究
这是一篇关于室内定位,深度学习,接收信号强度,信道状态信息,神经网络的论文, 主要内容为随着移动互联网与移动终端的蓬勃发展,人们在室内活动中花费越来越多的时间。与此同时,基于位置服务的应用的大量需求推动了室内定位技术的研究与发展。得益于可以提供较高的定位精度与稳定性且成本低的优势,基于WLAN指纹的技术成为了目前室内定位技术的研究热点,其流程主要包括线下指纹库建立阶段与线上定位阶段。位置指纹主要分为接收信号强度(Received Signal Strength,RSS)与信道状态信息(Channel State Information,CSI):RSS易于采集,但是其仅是一种粗粒度信息,随时间变化大,且对多径衰落敏感,进而使得定位精度提升困难;CSI是一种物理层细粒度的高维度信息,但是不同天线的子载波间CSI存在大量冗余信息与噪声,其高维度的特点也提高了定位算法的计算复杂度。针对以上问题,本文基于RSS空间相关性提出基于谱聚类的参考点聚类方法,并提出基于深层自编码器的CSI降维与特征提取方法对CSI编码;进一步,联合RSS与CSI以丰富位置指纹特征,提出基于深度学习的定位方法以提高定位精度与稳定性,主要工作与贡献如下:(1)为了提高在3D室内定位场景下基于RSS定位方法的定位精度,本文提出了基于谱聚类和加权反向传播神经网络的3D室内定位方法,其主要创新点在于:线下阶段,利用RSS的空间相关性,定义指纹间相似度,提出的基于谱聚类的参考点聚类算法划分子指纹库,并训练基于反向传播神经网络的定位预测模型;线上阶段,根据定义的指纹相似度计算不同定位预测模型的权重,获得加权平均预测坐标,进而提高定位精度。实验结果表明,与基于神经网络的定位方法相比,本算法的中值定位误差降低了11.9%,训练时间减少了41.48%。(2)为了进一步提升定位精度,本文提出了联合RSS与CSI的基于深度学习的室内定位方法:为了降低不同子载波间CSI的冗余与噪声,提出基于深层自编码器的CSI降维与特征提取方法,将CSI降维并抽象编码;为了降低定位预测模型的计算复杂度与训练时间,联合RSS与基于CSI编码建立指纹库;基于深度神经网络的定位预测,进而提高定位精度。本算法优势在于:可扩展性强(以AP角度建立指纹库,可根据实际场景添加AP选择算法),可迁移性高(基于深度神经网络,更新指纹库时可利用已训练好的模型),定位精度较高(实验结果表明,本算法的平均定位误差为0.72m,中值误差为0.5m)。(3)为了应对实际室内定位场景中大量移动客户端高并发定位请求的巨大的挑战,本文设计并开发了基于Netty,SpringBoot,RabbitMQ框架的室内定位系统。该系统包括服务器端与客户端,其设计思想是:根据功能将服务器端的模块化,通过系统核心调度器与异步化的思想降低模块间耦合度,提高系统性能与稳定性。此外,利用电脑端客户端模拟高并发定位请求的场景并对定位系统测试,结果表明:在定位请求间隔为500ms或700ms的条件下,系统可以支持1500个用户稳定的定位服务。因此,本文设计的室内定位系统可以提供快速、高效、稳定的定位服务。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设客栈 ，原文地址：https://bishedaima.com/lunwen/46532.html
