基于深度学习GRU网络的UWB室内定位优化

来源：上海理工大学学报杂志2024年第1期北京时间：

作者：郑宏舟，赵宇宸，孟飞

单位：上海理工大学 管理学院，上海 200093,上海理工大学 管理学院，上海 200093,上海理工大学 管理学院，上海 200093

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。

关键词：超宽带室内定位;神经网络;深度学习;门控循环单元

基金资助：国家自然科学基金资助项目(U2006228, 52171313)