DOI: 10.18413/2518-1092-2025-10-3-0-4

НЕЙРОСЕТЕВАЯ АППРОКСИМАЦИЯ КООРДИНАТ В ЗАДАЧАХ ЛОКАЛИЗАЦИИ С ВРЕМЕННЫМИ ПРОВАЛАМИ СИГНАЛА

Анна Валерьевна Минина
Ростислав Русланович Никулин
Игорь Александрович Сидоренко

В статье рассматривается задача восстановления координат подвижного объекта в условиях временного отсутствия или деградации сигналов позиционирования (blackout), характерного для сложных радиосред. Предложен метод, основанный на применении рекуррентной нейронной сети с длинной краткосрочной памятью (LSTM) для интерполяции и предсказания координат на основе последовательностей временных различий прихода сигналов (TDoA) от трех стационарных якорей. Разработанная модель обучалась на синтетических траекториях, моделирующих движение объекта, и демонстрирует высокую устойчивость к пропущенным данным, а также способность восстанавливать траекторию с минимальной медианной ошибкой менее 30 метров даже при значительном снижении качества сигнала. Проведен сравнительный анализ с другими методами, включая GRU, TCN и фильтр Калмана, что подтверждает превосходство архитектуры LSTM в условиях нестабильной среды и ограниченного числа измерений. Полученные результаты показывают перспективность предложенного подхода для применения в системах автономной навигации и позиционирования в реальном времени.

Ключевые слова: позиционирование, TDoA, LSTM, blackout, нейронные сети, локализация, навигация, регрессия координат.

Количество просмотров: 151 (смотреть статистику)

Количество скачиваний: 385

Полный текст (PDF)К списку статей

Информация для цитирования:

Минина А.В., Никулин Р.Р., Сидоренко И.А. Нейросетевая аппроксимация координат в задачах локализации с временными провалами сигнала // Научный результат. Информационные технологии. – Т.10, №3, 2025. – С. 45-54. DOI: 10.18413/2518-1092-2025-10-3-0-4

Комментарии
Список литературы

Пока никто не оставил комментариев к этой публикации.
Вы можете быть первым.

Сейсенбаев Б.И., Есмагулова А.М. Алгоритмы позиционирования в беспроводных сетях. – Алматы: КазНТУ, 2020. – 123 с.
Гудфеллоу И., Бенжио Й., Курвиль А. Глубокое обучение. – М.: Вильямс, 2018. – 720 с.
Liu H., Darabi H., Banerjee P., Liu J. Survey of wireless indoor positioning techniques and systems // IEEE Transactions on Systems, Man, and Cybernetics. – 2007. – Vol. 37, No. 6. – P. 1067–1080.
Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. – 1997. – Vol. 9. – No. 8. – P. 1735–1780.
Gers F. A., Schmidhuber J., Cummins F. Learning to forget: Continual prediction with LSTM // Neural Computation. – 2000. – Vol. 12. – No. 10. – P. 2451–2471.
Graves A. Supervised sequence labelling with recurrent neural networks. – Springer, 2012. – 150 p.
Cho K. et al. Learning phrase representations using RNN encoder–decoder for statistical machine translation // arXiv preprint arXiv:1406.1078, 2014.
Kingma D., Ba J. Adam: A method for stochastic optimization // Proceedings of ICLR, 2015.
Zhang Z. et al. TDOA-based localization using LSTM networks in multipath environments // Sensors. – 2021. – Vol. 21. – No. 11. – P. 3851.
Mazuelas S. et al. Robust indoor positioning provided by real-time RSSI values in unmodified WLAN networks // IEEE Journal on Selected Areas in Communications. – 2009. – Vol. 27. – No. 6. – P. 1091–1102.
Alarifi A. et al. Ultra wideband indoor positioning technologies: Analysis and recent advances // Sensors. – 2016. – Vol. 16. – No. 5. – P. 707.
Ioffe S., Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift // Proceedings of ICML, 2015.
LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. – 2015. – Vol. 521. – P. 436–444.
Yassin M. et al. Recent advances in indoor localization: A survey on theoretical approaches and applications // IEEE Communications Surveys & Tutorials. – 2017. – Vol. 19. – No. 2. – P. 1327–1346.
Zhao M., Adib F., Katabi D. Emotion recognition using wireless signals // Communications of the ACM. – 2018. – Vol. 61. – No. 9. – P. 91–100.

Все журналы

Отправить статью

Научный результат. Информационные технологии включен в научную базу РИНЦ (лицензионный договор № 765-12/2014 от 08.12.2014).

Журнал включен в перечень рецензируемых научных изданий, рекомендуемых ВАК

Журнал индексируется следующими научными базами и платформами

Научный результат. Научный результат. Информационные технологии (ISSN 2518-1092)

The journal materials and website are licensed under Creative Commons «Attribution» 4.0 International.

Учредитель: федеральное государственное автономное образовательное учреждение высшего образования «Белгородский государственный национальный исследовательский университет» (НИУ «БелГУ»). Адрес: 308015, Белгородская область, г. Белгород, ул. Победы, 85.

Издатель: федеральное государственное автономное образовательное учреждение высшего образования «Белгородский государственный национальный исследовательский университет» (НИУ «БелГУ»). Адрес: 308015, Белгородская область, г. Белгород, ул. Победы, 85.

Редакция: главный редактор Черноморец Андрей Алексеевич, e-mail: RR_IT@bsuedu.ru, тел.: +7 (4722) 30-13-92.

Зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор)

Свидетельство о регистрации СМИ

Устав редакции средства массовой информации «Научный результат. Информационные технологии»

Информационное письмо (русс. яз)

Приказ № 636-ОД от 30.06.2023 "Об утверждении Уставов редакций средств массовой информации научных журналов НИУ «БелГУ»

Приказ № 1097-ОД от 15.11.2023 "Об утверждении Регламента издания научных журналов НИУ «БелГУ»"

Остались вопросы?
Можете написать нам:

✉ Ответственный cекретарь

✉ Администратор сайта

✉ Контент менеджер