MF-Pnet：基于深度学习的多窄带FM信号融合技术，用于提升定位精度

《IEEE Transactions on Machine Learning in Communications and Networking》：MF-Pnet: Deep Learning-Based Multi-Narrowband FM Signal Fusion for Enhanced Positioning

　　

摘要：

本文提出了一种基于深度学习的定位方法MF-Pnet，旨在解决现有FM信号定位方法中有效特征利用不足的问题。与那些将宽频带FM信号整体处理的传统方法不同，MF-Pnet能够提取并融合多个窄带IQ信号，这些信号在不同频段上可能包含互补信息。该方法构建了一个多分支并行特征提取网络，用于独立建模每个窄带信号的特征，同时引入注意力机制来动态调整各特征的权重。这样的设计显著提升了整体特征表现，进而提高了定位精度。在真实的FM数据集上进行的全面实验表明，无论在室内还是室外环境中，MF-Pnet的表现都优于现有的最优方法，在精度、稳定性以及跨日通用性方面具有明显优势。此外，MF-Pnet还具备较高的推理效率，非常适合在资源有限的设备上部署。