原创力文档- 1、本文档共4页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
第３８卷第６期计算机应用与软件Ｖｏｌ３８Ｎｏ．６
２０２１年６月ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅＪｕｎ．２０２１
基于注意力机制的ＵＷＢ室内定位算法
１１２
叶晓桐张裕宋俊典
１（上海应用技术大学计算机科学与信息工程学院上海２０１４１８）
２（上海计算机软件技术开发中心上海２０１１１２）
摘要针对多径效应及非视距环境影响超宽带（ＵｌｔｒａＷｉｄｅＢａｎｄ，ＵＷＢ）室内定位精度的问题，提出基于注意
力机制的ＵＷＢ定位算法。由ＳＥＮｅｔ注意力模块与卷积神经网络构建一个深度学习模型ＳＥＣＮＮ。ＳＥＮｅｔ注意力
模块降低受到动态干扰因素影响的定位数据权重，再利用卷积神经网络（ＣＮＮ）来确定定位数据与目标位置的非
线性关系。该定位模型能够减少动态环境下多径效应与非视距带来的定位误差。实验结果表明，该算法在定位
精度方面优于其他算法。
关键词超宽带室内定位注意力机制卷积神经网络定位模型
中图分类号ＴＰ３０１文献标志码ＡＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３８６ｘ．２０２１．０６．０３２
ＵＷＢＩＮＤＯＯＲＬＯＣＡＬＩＺＡＴＩＯＮＡＬＧＯＲＩＴＨＭＢＡＳＥＤＯＮＡＴＴＥＮＴＩＯＮＭＥＣＨＡＮＩＳＭ
１１２
ＹｅＸｉａｏｔｏｎｇＺｈａｎｇＹｕＳｏｎｇＪｕｎｄｉａｎ
１（ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｇｈａｉＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ２０１４１８，Ｃｈｉｎａ）
２（ＳｈａｎｇｈａｉＤｅｖｅｌｏｐｍｅｎｔＣｅｎｔｅｒｏｆＣｏｍｐｕｔｅｒＳｏｆｔｗａｒｅＴｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ２０１１１２，Ｃｈｉｎａ）
ＡｂｓｔｒａｃｔＩｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｏｆｍｕｌｔｉｐａｔｈｅｆｆｅｃｔａｎｄｎｏｎｌｉｎｅｏｆｓｉｇｈｔ（ＮＬＯＳ）ａｆｆｅｃｔｉｎｇｔｈｅａｃｃｕｒａｃｙｏｆ
ｕｌｔｒａｗｉｄｅｂａｎｄ（ＵＷＢ）ｉｎｄｏｏｒｐｏｓｉｔｉｏｎｉｎｇ，ａＵＷＢｐｏｓｉｔｉｏｎｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｔｈｅａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｉｓｐｒｏｐｏｓｅｄ．
Ａｄｅｅｐｌｅａｒｎｉｎｇｍｏｄｅｌｗａｓｃｏｎｓｔｒｕｃｔｅｄｂｙａｔｔｅｎｔｉｏｎｍｏｄｕｌｅａｎｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ．ＳＥＮｅｔａｔｔｅｎｔｉｏｎｍｏｄｕｌｅ
ｒｅｄｕｃｅｄｔｈｅｗｅｉｇｈｔｏｆｐｏｓｉｔｉｏｎｉｎｇｄａｔａａｆｆｅｃｔｅｄｂｙｄｙｎａｍｉｃｉｎｔｅｒｆｅｒｅｎｃｅｆａｃｔｏｒｓ．Ｔｈｅｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ（ＣＮＮ）
ｗａｓｕｓｅｄｔｏｅｓｔａｂｌｉｓｈａｎｏｎｌｉｎｅａｒｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｐｏｓｉｔｉｏｎｉｎｇｄａｔａａｎｄｔａｒｇｅｔｐｏｓｉｔｉｏｎ．Ｔｈｅｍｏｄｅｌｈａｓａｓｔｒｏｎｇ
ａｂｉｌｉｔｙｔｏｒｅｄｕｃｅｐｏｓｉｔｉｏｎｉｎｇｅｒｒｏｒｓｃａｕｓｅｄｂｙｍｕｌｔｉｐａｔｈｅｆｆｅｃｔｓａｎｄｎｏｎｌｉｎｅｏｆｓｉｇｈｔｉｎａｄｙｎａｍｉｃｅｎｖｉｒｏｎｍｅｎｔ．Ｔｈｅ
ｅｘｐｅｒｍｉｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｉｓａｌｇｏｒｉｔｈｍｉｓｓｕｐｅｒｉｏｒｔｏｏｔｈｅｒａｌｇｏｒｉｔｈｍｓｉｎｐｏｓｉｔｉｏｎｉｎｇａｃｃｕｒａｃｙ．
ＫｅｙｗｏｒｄｓＵＷＢＩｎｄｏｏｒｌｏｃａｌｉｚａｔｉｏｎＡｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍＣｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋＬｏｃａｌｉｚａｔｉｏｎｍｏｄｅｌ
文档评论（0）