大规模MIMO系统领域自适应定位

环境变化引起的信道状态改变使得传统的基于信道状态信息(Channel State Information,CSI)的指纹定位方法定位精度显著下降。近年来的研究表明,领域适应是克服上述缺点的一种合适策略。领域适应将环境改变前后分别看成是两个不同分布下的源域和目标域,能够通过缩小两个领域之间的差异得到适用于目标域的模型。基于此,提出了一个基于分歧差异的深度卷积对抗网络(Disparity Discrepancy Based Deep Convolutional Adversarial Network,DDCAN)领域自适应指纹定位方法,该方法在大规模多输入多输出(Massive Multiple Input Multiple Output,M-MIMO)系统中将CSI重构得到的角度时延信道幅度矩阵(Angle Delay Channel Amplitude Matrix,ADCAM)作为指纹,在拥有源域的有标签样本和目标域的无标签样本的情况下,通过最小化源域误差和分歧差异可以有效训练出适用于目标域的定位网络。在此基础上,分别构建了分类和回归定位模型,其中针对分类定位模型,提出网格中心重定位的方法,以增加定位精度。仿真结果表明,该方法可以有效缓解环境变化对定位方法的影响,并达到较高的定位精度。