id:"swepub:oai:lup.lub.lu.se:759e2ecb-179a-4dec-84f6-7d1834d38707"
Sökning: id:"swepub:oai:lup.lub.lu.se:759e2ecb-179a-4dec-84f6-7d1834d38707" > Deep-Learning Based...
- 1 av 1
- Föregående post
- Nästa post
- Till träfflistan
Deep-Learning Based High-Precision Localization with Massive MIMO
-
- Tian, Guoda (författare)
- Lund University,Lunds universitet,Kommunikationsteknologi,Forskargrupper vid Lunds universitet,LTH profilområde: AI och digitalisering,LTH profilområden,Lunds Tekniska Högskola,Communications Engineering,Lund University Research Groups,LTH Profile Area: AI and Digitalization,LTH Profile areas,Faculty of Engineering, LTH
-
- Yaman, Ilayda (författare)
- Lund University,Lunds universitet,Integrerade elektroniksystem,Forskargrupper vid Lunds universitet,Integrated Electronic Systems,Lund University Research Groups
-
- Sandra, Michiel (författare)
- Lund University,Lunds universitet,Kommunikationsteknologi,Forskargrupper vid Lunds universitet,Communications Engineering,Lund University Research Groups
- visa fler...
- visa färre...
- (creator_code:org_t)
- 2023
- 2023
- Engelska.
- Ingår i: IEEE Transactions on Machine Learning in Communications and Networking. - 2831-316X.
- Tidskriftsartikel (refereegranskat)
Abstract
Ämnesord
Stäng
- High-precision localization and machine learning (ML) are envisioned to be key technologies in future wireless systems. This paper presents an ML pipeline to solve localization tasks. It consists of multiple parallel processing chains, each trained using a different fingerprint to estimate the position of the user equipment. In this way, ensemble learning can be utilized to fuse all chains to improve localization performance. Nevertheless, a common problem of ML-based techniques is that network training and fine-tuning can be challenging due to the increase in network sizes when applied to (massive) multiple-input multiple-output (MIMO) systems. To address this issue, we utilize a subarray-based approach. We divide the large antenna array into several subarrays, feeding the fingerprints of the subarrays into the pipeline. In our case, such an approach eases the training process while maintaining or even enhancing the performance. We also use the Nyquist sampling theorem to gain insight on how to appropriately sample and average training data. Finally, an indoor measurement campaign is conducted at 3.7 GHz using the Lund University massive MIMO testbed to evaluate the approaches. Localization accuracy at a centimeter level has been reached in this particular measurement campaign.
Ämnesord
- TEKNIK OCH TEKNOLOGIER -- Elektroteknik och elektronik -- Signalbehandling (hsv//swe)
- ENGINEERING AND TECHNOLOGY -- Electrical Engineering, Electronic Engineering, Information Engineering -- Signal Processing (hsv//eng)
Publikations- och innehållstyp
- art (ämneskategori)
- ref (ämneskategori)
Hitta via bibliotek
- IEEE Transactions on Machine Learning in Communications and Networking (Sök värdpublikationen i LIBRIS)
Till lärosätets databas
- 1 av 1
- Föregående post
- Nästa post
- Till träfflistan
Hitta mer i SwePub
- Av författaren/redakt...
- Tian, Guoda
- Yaman, Ilayda
- Sandra, Michiel
- Cai, Xuesong
- Liu, Liang
- Tufvesson, Fredr ...
- Om ämnet
-
- TEKNIK OCH TEKNOLOGIER
- TEKNIK OCH TEKNO ...
- och Elektroteknik oc ...
- och Signalbehandling
- Artiklar i publikationen
- IEEE Transaction ...
- Av lärosätet
- Lunds universitet
Sök utanför SwePub
- Sök vidare i:
- Google Book Search
- Google Scholar
Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.
- Copyright © LIBRIS - Nationella bibliotekssystem
- LIBRIS.kb.se
