ترجمه فارسی مقاله روش‌های افزایش داده‌های آگاه از کانال بی‌سیم برای محلی‌سازی فضای داخلی مبتنی بر یادگیری عمیق

چکیده

Indoor localization is a challenging problem that – unlike outdoor localization – lacks a universal and robust solution. Machine Learning (ML), particularly Deep Learning (DL), methods have been investigated as a promising approach. Although such methods bring remarkable localization accuracy, they heavily depend on the training data collected from the environment. The data collection is usually a laborious and time-consuming task, but Data Augmentation (DA) can be used to alleviate this issue. In this paper, different from previously used DA, we propose methods that utilize the domain knowledge about wireless propagation channels and devices. The methods exploit the typical hardware component drift in the transceivers and/or the statistical behavior of the channel, in combination with the measured Power Delay Profile (PDP). We comprehensively evaluate the proposed methods to demonstrate their effectiveness. This investigation mainly focuses on the impact of factors such as the number of measurements, augmentation proportion, and the environment of interest impact the effectiveness of the different DA methods. We show that in the low-data regime (few actual measurements available), localization accuracy increases up to 50%, matching non-augmented results in the high-data regime. In addition, the proposed methods may outperform the measurement-only high-data performance by up to 33% using only 1/4 of the amount of measured data. We also exhibit the effect of different training data distribution and quality on the effectiveness of DA. Finally, we demonstrate the power of the proposed methods when employed along with Transfer Learning (TL) to address the data scarcity in target and/or source environments.

چکیده به فارسی (ترجمه ماشینی)

بومی سازی داخلی یک مشکل چالش برانگیز است که – برخلاف بومی سازی در فضای باز – فاقد یک راه حل جهانی و قوی است.یادگیری ماشین (ML) ، به ویژه یادگیری عمیق (DL) ، روشها به عنوان یک رویکرد امیدوارکننده مورد بررسی قرار گرفته است.اگرچه چنین روشهایی دقت محلی سازی قابل توجهی را به همراه می آورد ، اما به شدت به داده های آموزش جمع آوری شده از محیط بستگی دارد.جمع آوری داده ها معمولاً یک کار پر زحمت و وقت گیر است ، اما می توان از افزایش داده ها (DA) برای کاهش این مسئله استفاده کرد.در این مقاله ، متفاوت از DA که قبلاً استفاده شده بود ، روش هایی را پیشنهاد می کنیم که از دانش دامنه در مورد کانال ها و دستگاه های انتشار بی سیم استفاده می کنند.این روشها در ترکیب با مشخصات تأخیر قدرت اندازه گیری شده (PDP) ، از رانش مؤلفه سخت افزاری معمولی در فرستنده ها و/یا رفتار آماری کانال بهره برداری می کنند.ما به طور جامع روشهای پیشنهادی را برای نشان دادن اثربخشی آنها ارزیابی می کنیم.این تحقیق عمدتاً بر تأثیر عواملی مانند تعداد اندازه گیری ها ، نسبت تقویت و محیط علاقه بر اثربخشی روشهای مختلف DA تأثیر می گذارد.ما نشان می دهیم که در رژیم کم داده های کم (چند اندازه گیری واقعی در دسترس) ، دقت محلی سازی تا 50 ٪ افزایش می یابد ، و نتایج غیرقانونی در رژیم داده بالا مطابقت دارد.علاوه بر این ، روشهای پیشنهادی ممکن است با استفاده از تنها 1/4 از مقدار داده های اندازه گیری شده ، عملکرد فقط داده های بالا را تا 33 ٪ بهتر کند.ما همچنین تأثیر توزیع داده های مختلف آموزش و کیفیت را بر اثربخشی DA نشان می دهیم.سرانجام ، ما قدرت روشهای پیشنهادی را هنگام استفاده از یادگیری انتقال (TL) برای پرداختن به کمبود داده ها در محیط های هدف و/یا منبع نشان می دهیم.