NDR : Noise and Dimensionality Reduction of CSI for indoor positioning using deep learning.

Résumé En raison de la demande émergente d'applications IoT, le positionnement intérieur est devenu une tâche inestimable. Nous proposons une nouvelle solution légère d'apprentissage profond au problème de positionnement intérieur basé sur le bruit et la réduction de la dimensionnalité de l'information d'état du canal (CSI) MIMO. Sur la base d'une analyse préliminaire des données, la magnitude du CSI est sélectionnée comme caractéristique d'entrée pour un réseau neuronal à perceptron multicouche (MLP). Une régression polynomiale est ensuite appliquée à des lots de points de données pour filtrer le bruit et réduire la dimension de l'entrée par un facteur de 14. Les hyperparamètres du MLP sont réglés empiriquement pour obtenir la plus grande précision. La solution proposée est comparée à une méthode de pointe présentée par les auteurs qui ont conçu l'antenne MIMO utilisée pour générer l'ensemble de données. Notre méthode produit une erreur moyenne qui est 8 fois inférieure à celle de son homologue. Nous concluons que la moyenne arithmétique et l'écart type ne représentent pas les résultats puisque les erreurs suivent une distribution log-normale. La moyenne de la distribution log-normale des erreurs de notre méthode se traduit par une erreur moyenne aussi faible que 1,5 cm.