Lightweight Complex-Valued Neural Network for Indoor Positioning

doi:10.32604/cmc.2025.070794

Lightweight Complex-Valued Neural Network for Indoor Positioning

2026-01-01

0

PRE

AI

DOI：10.32604/cmc.2025.070794

原文链接

原文求助

摘要

En 中文

深度学习已被认可为室内定位的有效方法。然而，大多数现有的实值神经网络（RVNNs）将复值信道状态信息（CSI）的两个组成部分视为实值输入，可能丢弃原始CSI中嵌入的有用信息。此外，现有的定位模型通常面临计算复杂度与定位精度之间的矛盾。为解决这些问题，我们将图神经网络（GNN）与复值神经网络（CVNN）相结合，构建了一个轻量级室内定位模型CGNet。CGNet采用复值卷积操作直接处理原始CSI数据，在提取局部特征的同时充分利用CSI实部与虚部之间的相关性。随后，将特征值视为节点，并应用条件位置编码（CPE）模块添加位置信息。为减少图结构中的连接数量并降低模型复杂度，通过动态轴向图构建（DAGC）方法将特征信息映射到高效的图结构中，并使用最大相对图卷积（MRConv）提取全局特征。实验结果表明，在CTW数据集上，CGNet相较于现有方法实现了10%的定位精度提升，而模型参数数量仅为0.8 M。CGNet以极少的参数实现了出色的定位精度。

Keyword:

Indoor positioning

complex-valued neural network

channel state information

lightweight model

Lightweight Complex-Valued Neural Network for Indoor Positioning

摘要

期刊

机构

引用论文