Resumen

La tecnologa de aprendizaje profundo ofrece soluciones novedosas para la localizacin en escenarios complejos. Los mtodos convencionales suelen sufrir prdidas de rendimiento en el escenario over-the-horizon (OTH) de larga distancia debido a las inciertas condiciones ionosfricas. Para superar los efectos adversos de la desconocida y compleja ionosfera sobre el posicionamiento, proponemos un mtodo de posicionamiento de aprendizaje profundo basado en seales recibidas de multiestacin y en el marco de redes de memoria bidireccional a corto plazo (BiLSTM) (SL-BiLSTM), que refina la informacin de posicin a partir de los datos de las seales. En concreto, primero obtenemos la forma de la entrada de red construyendo el modelo de seal recibida. En segundo lugar, se desarrolla el mtodo propuesto para predecir las posiciones de los objetivos mediante una red SL-BiLSTM, que consta de tres capas BiLSTM, una capa de mximo, una capa totalmente conectada y una capa de regresin. A continuacin, se discuten dos tcnicas de regularizacin de abandono y aleatorizacin que se adoptan principalmente para evitar el sobreajuste de la red. Se realizan simulaciones de localizacin de OTH para examinar el rendimiento. Los parmetros de la red se han entrenado adecuadamente segn el escenario. Por ltimo, los resultados experimentales muestran que el mtodo propuesto puede mejorar significativamente la precisin del posicionamiento OTH con una SNR baja. Cuando el nmero de localizaciones de entrenamiento aumenta hasta 200, el resultado de posicionamiento de SL-BiLSTM es el ms cercano a CRLB en SNR alta.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Aprendizaje profundo; Localización; Condiciones ionosféricas; Red BiLSTM; Método de posicionamiento; Sobreajuste de la red.
• Keywords:Deep learning; Localization; Ionospheric conditions; BiLSTM network; Positioning method; Network overfitting