Краткое содержание

arXiv:2511.14076v1 Тип объявления: новый Аннотация: Для повышения практической применимости методов локализации на основе глубокого обучения существующие исследования стремятся решить проблему зависимости от сценария с помощью мета-обучения. Однако эти исследования в основном сосредоточены на вариациях планировок окружающей среды, игнорируя влияние изменений конфигурации устройств, таких как полоса пропускания, количество точек доступа (AP) и число антенн. В отличие от изменений окружающей среды, изменения в конфигурациях оборудования влияют на размерность информации о состоянии канала (CSI), что снижает пригодность нейронных сетей для использования. Чтобы устранить эту проблему, мы предлагаем систему позиционирования по Wi-Fi под названием Meta-SimGNN, которая объединяет графовые нейронные сети с мета-обучением для улучшения обобщаемости и устойчивости при локализационных задачах. Во-первых, мы представляем схему детальной конструкции графа CSI, где каждая точка доступа рассматривается как узел графа, обеспечивая адаптацию к изменениям числа точек доступа. Для структурирования признаков каждого