以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：40

、訪客IP：18.225.35.81

姓名	蘇博威(Po-Wei Su)  查詢紙本館藏	畢業系所	通訊工程學系
論文名稱	基於到達角使用深度學習觀察定位效能 (Study on Performance of Localization Based on Angle of Arrival with Deep Learning Algorithms)
相關論文	★ 利用二元關聯法之簡易指紋辨識 ★ 使用MMSE等化器的Filterbank OFDM系統探討 ★ Kalman Filtering應用於可適性載波同步系統之研究 ★ 無線區域網路之MIMO-OFDM系統設計與電路實現 ★ 包含通道追蹤之IEEE 802.11a接收機設計與電路實現 ★ 時變通道下的OFDM傳輸系統設計: 基於IEEE 802.11a標準 ★ MIMO-OFDM系統各天線間載波頻率偏差之探討 與收發機硬體實現 ★ 使用雜散式領航訊號之DVB-T系統通道估測演算法與電路實現 ★ 數位地面視訊廣播系統同步模組 之設計與電路實現 ★ 適用於移動式正交分頻多工通訊系統的改良型時域通道響應追蹤演算法 ★ 正交分頻多工系統通道估測基於可適性模型化通道參數估測 ★ 以共同項載波頻率偏移補償於正交分頻多重存取系統中減少多重存取干擾之方法 ★ 正交分頻多工系統之資料訊號裁剪雜訊消除 ★ 適用於正交分頻多工通訊系統的改良型決策反饋之卡爾曼濾波通道估測器 ★ 半盲目通道追蹤演算法使用於正交分頻多工系統 ★ 正交分頻多重存取以共同項載波頻率偏移補償以達到最小均方誤差之方法
檔案	[Endnote RIS 格式]    [Bibtex 格式]    [相關文章]   [文章引用]   [完整記錄]   [館藏目錄]   [檢視]  [下載] 本電子論文使用權限為同意立即開放。 已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。 請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。
摘要(中)	無線定位(Wireless Localization)的技術隨著通訊的發展，受到越來越多人的關注，由於接收到的訊號資訊不同，分析方式也不同，根據基地台傳送訊號到達的角度(Angle of Arrival, AOA)，再利用三角測量技術(Triangulation)或是最小平方法(Least Square method)達到估計用戶端位置。 本篇論文，我們提出深度學習演算法來處理定位估計。在深度學習演算法中使用的是深度神經網路(Deep Neural Network, DNN)，針對二維平面空間進行分類，三角測量技術與最小平方法主要的問題就是當多個基地台(Base Stations, BS)接收到的角度是相近的就容易造成線性估計的誤差增加，而深度學習演算法透過學習特徵的方式使用非線性系統分類進而改善定位估計的效能。但在高密度類別的情況下，深度神經網路分類的正確率是有限的，因此透過自動編碼器(Auto Encoder, AE)結合深度神經網路改善此問題，自動編碼器的概念像是根據學習資料的結構特徵，先區分相同類型的數據，再將這些數據根據特徵細分，這有助於減輕後續深度神經網路估計用戶端位置的負擔，最後在結果分析與比較中，可以看出此方法在穩定性和精確性都有不錯性能。
摘要(英)	Thanks to the development of modern communication technologies, localization of end-user with wireless base stations has drawn more and more attention. Subject to the received signals to be utilized, the employed localization method is different. According to the angle-of-arrival (AOA) of the signal received by the base station equipped with multiple antennas, conventional methods such as triangulation and least squares methods can be used to determine the position of the end-user. In this thesis, we study the approach of deep learning methods. Here, the deep neural network (DNN) is revised to perform spatial classification on a two-dimensional plane. The main problem of triangulation and least square method is that when the angles of arrival at multiple base stations are similar, a large localization error will increase. By contrast, the deep learning methods improve the performance of position estimation at learning features through non-linear system classification. However, in the case of high-density classification categories, the accuracy of the conventional neural network method is limited. Therefore, the autoencoder is combined with the neural network to solve this problem. The autoencoder acts like a group of spatial filters, decomposing the input into multiple smaller spatial sub-regions. The range of the input covered by each spatial sub-region is narrower than that of the original input ,and hence, the distribution of the input is better centralized for classification. From simulation analysis and performance comparison, the autoencoder method achieves better performance than the LS and triangulation methods and lower complexity than the DNN method.
關鍵字(中)	★ 到達角 ★ 三角測量法 ★ 最小平方法 ★ 深度神經網路 ★ 自動編碼器 ★ 均方根誤差	關鍵字(英)	★ AOA ★ Triangulation ★ Least Square method ★ Deep Neural Network ★ Auto Encoder ★ RMSE
論文目次	目 錄 中文摘要 i 英文摘要 iii 目錄 i 圖目錄 ii 表目錄 iv 第 1 章序論 1 1.1 簡介 1 1.2 章節架構 5 第 2 章定位模擬資料架構 6 2.1 幾何場景架構 6 2.2 數學統計模型 8 2.3 三角測量法 10 2.4 最小平方法 11 第 3 章定位估計深度學習演算法 15 3.1 資料前處理與xy 平面之二維拆解 15 3.2 定位估計深度學習演算法系統與架構說明 17 3.3 深度神經網路 18 3.4 自動編碼器 21 3.5 二維解碼器 29 3.6 三角測量法的估計錯誤調整 33 3.7 結果過濾器 (Result filter) 35 第 4 章系統模擬與結果分析 37 4.1 模擬環境說明 37 4.2 在固定目標物下欲估計定位的性能分析 44 4.2.1 深度神經網路與加入自動編碼器的深度神經網路在不同隱藏層與準確率的性能比較 44 4.2.2 深度神經網路與加入自動編碼器的深度神經網路在不同的區域劃分與準確率的性能比較 49 4.2.3 在不同的角度誤差標準差與欲估計定位目標的性能比較 58 4.2.4 在不同基地台數量下及不同的角度誤差標準差與欲估計定位目標的性能比較 61 4.3 在移動目標物下欲估計定位的性能分析 64 4.3.1 case1 模擬直線等速度運動軌跡與定位估計 67 4.3.2 case2 模擬直線等加速度運動軌跡與定位估計 70 4.3.3 case3 模擬混合速度運動軌跡與定位估計 75 第 5 章結論 80 參考文獻 81 圖 目 錄 圖 2.1 三角測量的幾何場景圖 6 圖 2.2 最小平方法的幾何場景圖 11 圖 3.1 空間處理架構圖 16 圖 3.2 深度神經網路架構圖 18 圖 3.3 自動編碼器架構圖 21 圖 3.4 二維解碼器架構圖 29 圖 3.5 解碼器輸出概念圖 32 圖 3.6 結果過濾器概念圖 35 圖 4.1 模擬場景架構圖 37 圖 4.2 AOA 入射角轉換概念圖 38 圖 4.3 子區域單位解析度為 5m 的劃分場景區域概念圖 41 圖 4.4 子區域單位解析度為 10m 劃分場景區域概念圖 43 圖 4.5 5m 劃分場景區域使用深度神經網路在 3BSs 及不同輸入角度的輸出類別模擬圖，(a) 未加入自動編碼器 (b) 加入自動編碼器 44 圖 4.6 10m 劃分場景區域使用深度神經網路在 3BSs 及不同輸入角度的輸出類別模擬圖，(a) 未加入自動編碼器 (b) 加入自動編碼器 44 圖 4.7 個別演算法訓練情況的收斂圖，輸入角度誤差標準差 σ = 1◦ 及隱藏層數量 H = 5，(a)5m 劃分場景區域使用深度神經網路 (b)5m 劃分場景區域使用加入自動編碼器深度神經網路 (c)10m 劃分場景區域使用深度神經網路 (d)10m 劃分場景區域使用加入自動編碼器深度神經網路 46 圖 4.8 DNN 及 AE 所花費訓練時間的比較圖(DNN/5m,H=6,time:3.4hours) 47 圖 4.9 5m 劃分場景區域使用深度神經網路在 3BSs 及輸入角度誤差標準差σ = 1◦ 及隱藏層數量 H = 5 的 x 空間輸出分類情況模擬圖 49 圖 4.10 5m 劃分場景區域使用深度神經網路在 3BSs 及輸入角度誤差標準差 σ = 1◦ 及隱藏層數量 H = 5 的 y 空間輸出分類情況模擬圖 50 圖 4.11 10m 劃分場景區域使用深度神經網路在 3BSs 及輸入角度誤差標準差 σ = 1◦ 及隱藏層數量 H = 5 的 x 空間輸出分類情況模擬圖 51 圖 4.12 10m 劃分場景區域使用深度神經網路在 3BSs 及輸入角度誤差標準差 σ = 1◦ 及隱藏層數量 H = 5 的 y 空間輸出分類情況模擬圖 52 圖 4.13 5m 劃分場景區域使用加入自動編碼器的深度神經網路在 3BSs 及輸入角度誤差標準差 σ = 1◦ 及隱藏層數量 H = 5 的 x 空間輸出分類情況模擬圖 53 圖 4.14 5m 劃分場景區域使用加入自動編碼器的深度神經網路在 3BSs 及輸入角度誤差標準差 σ = 1◦ 及隱藏層數量 H = 5 的 y 空間輸出分類情況模擬圖 54 圖 4.15 10m 劃分場景區域使用加入自動編碼器的深度神經網路在 3BSs 及輸入角度誤差標準差 σ = 1◦ 及隱藏層數量 H = 5 的 x 空間分類情況模擬圖 55 圖 4.16 10m 劃分場景區域使用加入自動編碼器的深度神經網路在 3BSs 及輸入角度誤差標準差 σ = 1◦ 及隱藏層數量 H = 5 的 y 空間分類情況模擬圖 56 圖 4.17在 3BSs 及不同輸入角度誤差標準差與 RMSE 的比較圖 58 圖 4.18個別演算法在 2BSs 與 RMSE 的比較圖 61 圖 4.19個別演算法在 3BSs 與 RMSE 的比較圖 62 圖 4.20個別演算法在 4BSs 與 RMSE 的比較圖 62 圖 4.21模擬直線等速度運動軌跡的路線圖與個別演算法估計情況的比較圖 67 圖 4.22模擬直線等速度運動軌跡的路線圖與個別演算法在不同角度誤差標準差與 RMSE 的比較圖 69 圖 4.23模擬直線等加速度運動軌跡的路線圖與個別演算法估計情況的比較圖 70 圖 4.24模擬直線等加速度運動軌跡的路線圖與個別演算法在不同角度誤差標準差與RMSE 的比較圖 72 圖 4.25針對 CASE2 模擬直線等加速度運動軌跡與個別演算法在每個時間點與 x-axis 的 RMSE 的比較圖 73 圖 4.26模擬混合速度運動軌跡的路線圖與個別演算法估計情況的比較圖 75 圖 4.27模擬混合速度運動軌跡的路線圖與個別演算法在不同角度誤差標準差與 RMSE 的比較圖 77 圖 4.28個別演算法在移動式目標的定位估計上所花費的時間比較圖 78 表 目 錄 表 4.1架構模擬參數 39 表 4.2子區域單位解析度為 5m 的 DNN 及 AE 演算法使用參數 40 表 4.3子區域單位解析度為 10m 的 DNN 及 AE 演算法使用參數 42 表 4.4移動式目標的運動速度與軌跡方程式 (取樣時間 T=0.01s) 65
參考文獻	參 考 文 獻 [1] S. Aditya, A. F. Molisch, and H. M. Behairy, “A survey on the im- pact of multipath on wideband time-of-arrival based localization,” Proceedings of the IEEE, vol. 106, no. 7, pp. 1183–1203, 2018. [2] K. F. Taraktaş, O. Ceylan, and B. Yağcı, “Received signal strength based localization in sensor network,” in 2010 IEEE 18th Signal Processing and Communications Applications Conference, 2010, pp. 804–807. [3] A. Pages-Zamora, J. Vidal, and D. Brooks, “Closed-form solution for positioning based on angle of arrival measurements,” in The 13th IEEE International Symposium on Personal, Indoor and Mobile Ra- dio Communications, vol. 4, 2002, pp. 1522–1526 vol.4. [4] M. Nur-A-Alam and M. M. Haque, “A least square approach for tdoa/aoa wireless location in wcdma system,” in 2008 11th Interna- tional Conference on Computer and Information Technology, 2008, pp. 686–690. [5] N. A. A. Elhag, I. M. Osman, A. A. Yassin, and T. B. Ahmed, “Angle of arrival estimation in smart antenna using music method for wideband wireless communication,” in 2013 INTERNATIONAL CONFERENCE ON COMPUTING, ELECTRICAL AND ELEC- TRONIC ENGINEERING (ICCEEE), 2013, pp. 69–73. [6] J. Maire, A. Ziad, J. Borgnino, and F. Martin, “Comparison be- tween atmospheric turbulence models by angle-of-arrival covari- ance measurements,” Monthly Notices of the Royal Astronomical Society, vol. 386, no. 2, pp. 1064–1068, 2008. [7] C. de Moustier, “Empirical uncertainty in angle of arrival estima- tion for bathymetric sidescan sonars,” in OCEANS’11 MTS/IEEE KONA, 2011, pp. 1–4. [8] J. He, “A new 2-d triangulation optimization algorithm,” in 2010 Third International Conference on Knowledge Discovery and Data Mining, Jan 2010, pp. 284–287. [9] Y. Lei, X.-x. Feng, C.-b. Zhu, and B.-b. Li, “Triangulation location fusion algorithm for 2d sensor network,” in Proceedings of 2011 International Conference on Computer Science and Network Tech- nology, vol. 2, 2011, pp. 889–893. [10] M. Zane, M. Rupp, and S. Schwarz, “Performance investigation of angle of arrival based localization,” in WSA 2020; 24th Interna- tional ITG Workshop on Smart Antennas, 2020, pp. 1–4. [11] S. Kay, Fundamentals of Statistical Signal Processing: Detection theory, ser. Fundamentals of Statistical Si. Prentice-Hall PTR, 1998. [Online]. Available: https://books.google.com.tw/books?id= vA9LAQAAIAAJ [12] M. H. Mughal, M. J. Khokhar, and M. Shahzad, “Assisting uav lo- calization via deep contextual image matching,” IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sens- ing, vol. 14, pp. 2445–2457, 2021. [13] B. Labinghisa and D. M. Lee, “A deep learning based scene recogni- tion algorithm for indoor localization,” in 2021 International Con- ference on Artificial Intelligence in Information and Communica- tion (ICAIIC), 2021, pp. 167–170. [14] Y. Yu, W. Wang, J. Luo, and P. Feng, “Localization based stereo speech separation using deep networks,” in 2015 IEEE Interna- tional Conference on Digital Signal Processing (DSP), 2015, pp. 153–157. [15] N. H. Nguyen and K. Doğançay, “Closed-form algebraic solutions for angle-of-arrival source localization with bayesian priors,” IEEE Transactions on Wireless Communications, vol. 18, no. 8, pp. 3827– 3842, 2019. [16] X. Wang, X. Wang, and S. Mao, “Cifi: Deep convolutional neural networks for indoor localization with 5 ghz wi-fi,” in 2017 IEEE International Conference on Communications (ICC), 2017, pp. 1– 6. [17] M. Zhang, K. Xu, W. Xie, J. Xu, M. Shen, and L. Chen, “Multi- l-shape array division based 2-d localization for incoherently dis- tributed sources in airborne massive mimo systems,” in 2019 IEEE 19th International Conference on Communication Technol- ogy (ICCT), 2019, pp. 430–435. [18] W. Feng, Z. Chen, and Y. Fu, “Autoencoder classification algorithm based on swam intelligence optimization,” in 2018 17th Interna- tional Symposium on Distributed Computing and Applications for Business Engineering and Science (DCABES), 2018, pp. 238–241. [19] Y. Liu, C.-f. Zhou, and Y.-w. Chen, “Weight initialization of feed- forward neural networks by means of partial least squares,” in 2006 International Conference on Machine Learning and Cybernetics, 2006, pp. 3119–3122. [20] H. Yuanhua and L. Hongsheng, “A non-line-of-sight error mitiga- tion method in wireless location system,” in 2009 2nd IEEE Inter- national Conference on Computer Science and Information Tech- nology, 2009, pp. 282–286. [21] M. Rupp and S. Schwarz, “An ls localisation method for massive mimo transmission systems,” in ICASSP 2019 - 2019 IEEE Inter- national Conference on Acoustics, Speech and Signal Processing (ICASSP), 2019, pp. 4375–4379. [22] V. Tiwari, C. Pandey, A. Dwivedi, and V. Yadav, “Image classifi- cation using deep neural network,” in 2020 2nd International Con- ference on Advances in Computing, Communication Control and Networking (ICACCCN), 2020, pp. 730–733. [23] J. Shijie, W. Ping, J. Peiyi, and H. Siping, “Research on data aug- mentation for image classification based on convolution neural net- works,” in 2017 Chinese Automation Congress (CAC), 2017, pp. 4165–4170. [24] Q. Malik, Functional Corroboration of a Digital Multilayer Neural Network. Michigan State University. Department of Electrical Engineering, 1995. [Online]. Available: https://books.google.com. tw/books?id=uzm4_GpqG5AC [25] S. Wang, J. Lin, J. Lei, and J. Yang, “Integration of kpca and paral- lel coordinates for visualizing classification,” in 2011 International Conference on Computer Science and Service System (CSSS), 2011, pp. 3294–3297. [26] S. Xu, “Optimal sensor placement for target localization using hy- brid rss, aoa and toa measurements,” IEEE Communications Let- ters, vol. 24, no. 9, pp. 1966–1970, 2020.
指導教授	張大中(Dah-Chung Chang)	審核日期	2021-10-6
推文	facebook   plurk   twitter   funp   google   live   udn   HD   myshare   reddit   netvibes   friend   youpush   delicious   baidu
網路書籤	Google bookmarks   del.icio.us   hemidemi   myshare