基于深度学习GRU网络的UWB室内定位优化

作     者：郑宏舟 赵宇宸 孟飞 ZHENG Hongzhou;ZHAO Yuchen;MENG Fei

作者机构：上海理工大学管理学院上海200093 

出 版 物：《上海理工大学学报》 (Journal of University of Shanghai For Science and Technology)

年 卷 期：2024年第46卷第1期

页      面：78-86页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(U2006228 52171313) 

主　　题：超宽带室内定位 神经网络 深度学习 门控循环单元 

摘      要：为减少信号传输质量和距离估计算法等因素对定位精度的影响,将深度学习应用于超宽带(ultra wide band,UWB)室内定位系统,利用门控循环单元(gated recurrent unit,GRU)网络代替传统UWB室内定位系统中的三边测量过程,以提高UWB室内定位精度。在得到定位标签到基站的距离信息后,将距离信息输入GRU网络中,输出最终位置坐标。GRU作为循环神经网络(recurrent neural network,RNN)的变种,既含有RNN处理时序数据的优势,又解决了RNN中的长程依赖问题。对GRU网络模型中不同学习率、优化器、批量大小、网络层数、隐藏神经元数量参数进行调整和训练。结果表明,基于GRU网络模型的UWB室内定位系统显著提高了定位精度,平均定位误差为6.8 cm。