在工业物联网(Industrial Internet of Things, IIoT)应用场景中,高精度定位技术至关重要。然而快速变化的场景环境,使得现有的定位方法无法进行快速适应新的场景信息。为了快速适应未知且不断变化的环境,解决数据稀缺条件下的工...
详细信息
在工业物联网(Industrial Internet of Things, IIoT)应用场景中,高精度定位技术至关重要。然而快速变化的场景环境,使得现有的定位方法无法进行快速适应新的场景信息。为了快速适应未知且不断变化的环境,解决数据稀缺条件下的工业物联网定位问题变得尤为迫切。为了提高射频(Radio Frequency,RF)数据的利用效率,本文提出了一种新的少样本学习定位算法。该算法通过在大规模地图上进行预训练,有效捕捉环境的信息,并利用注意力机制特征融合技术,对射频信号和这些潜在变量进行非线性融合处理,以实现高精度室内定位。仿真实验结果表明,与现有机器学习定位算法相比,所提出的算法在减少训练样本数量和微调时长方面取得了显著进展,标记数据成本减少约70%,微调时长减少约90%,从而显著降低了快速部署的成本。
暂无评论