مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله همایش

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

70
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

26
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله همایش

عنوان

مدلی جدید CNN برای طبقه بندی NLoS در سیستم موقعیت یابی داخلی UWB

صفحات

 صفحه شروع | صفحه پایان

چکیده

 تحقیقات انجام شده نشان می دهد که افراد حدود 70 تا 90 درصد از زمان زندگی و کار خود را در محیط های بسته می گذرانند. بنابراین, به نظر می رسد ارائه سیستم هایی که خدمات کافی را به کاربران در این محیط ها ارائه می دهند, ضروری است. موقعیت یابی کاربران و دستگاه ها در حوزه های مراقبت های بهداشتی, صنعت, مدیریت ساختمان, نظارت تصویری و سایر بخش ها کاربرد گسترده ای دارد. برای سیستم های موقعیت یابی داخلی, فناوری های مختلفی وجود دارد. در این مقاله, به دلیل دقت بالای آن در موقعیت یابی داخلی, فناوری فراپهن باند در نظر گرفته شده است. با این حال, در محیط های داخلی اشیاء و افراد زیادی وجود دارند, بنابراین موانع می توانند سیگنال های ارسال شده را منعکس کنند. در مقایسه با سیگنال خط دید, تأخیر مسیر انتقال سیگنال در سیگنال غیر خط دید منجر به خطاهای مثبت برد می شود. برای کاهش تأثیر شرایط NLoS بر موقعیت یابی, در این پژوهش تلاش کرده ایم تا با ارائه شبکه های یادگیری عمیق و استفاده از داده های پاسخ ضربه کانال به عنوان ورودی بدون دانش قبلی از محیط, جداسازی با دقت بالا برای شرایط LoS و NLoS را به دست آوریم. علاوه بر این, نتایج این طبقه بندی با سایر مراجعی که از مجموعه داده مشابه استفاده کرده اند مقایسه می شود. نتایج بخش طبقه بندی سیگنال NLoS/LoS نشان می دهد که شبکه های عصبی کانولوشنال پیشنهادی بهتر از سایر روش های شبکه عصبی (مانند شبکه های عصبی عمیق) عمل می کنند.

ویدئو

چندرسانه ای

  • ثبت نشده است.
  • استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    قائمی فر، محمدعلی، عبادالهی، سعید، قاسم زاده، میلاد، و پیراحمدیان، صبا. (1403). مدلی جدید CNN برای طبقه بندی NLoS در سیستم موقعیت یابی داخلی UWB. کنفرانس بین المللی وب پژوهی. SID. https://sid.ir/paper/1147618/fa

    Vancouver: کپی

    قائمی فر محمدعلی، عبادالهی سعید، قاسم زاده میلاد، پیراحمدیان صبا. مدلی جدید CNN برای طبقه بندی NLoS در سیستم موقعیت یابی داخلی UWB. 1403. Available from: https://sid.ir/paper/1147618/fa

    IEEE: کپی

    محمدعلی قائمی فر، سعید عبادالهی، میلاد قاسم زاده، و صبا پیراحمدیان، “مدلی جدید CNN برای طبقه بندی NLoS در سیستم موقعیت یابی داخلی UWB،” presented at the کنفرانس بین المللی وب پژوهی. 1403، [Online]. Available: https://sid.ir/paper/1147618/fa

    مقالات مرتبط نشریه ای

  • ثبت نشده است.
  • مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button