Фреймворк гетерогенного переноса знаний на основе топологии пространственных признаков для долгосрочного позиционирования по отпечаткам

Методы переноса обучения (TL) эффективны для преодоления расхождений распределений в позиционировании по отпечаткам. Однако существующие TL-фреймворки не способны адекватно реагировать на гетерогенные размерности признаков отпечатков, вызванные вариациями топологии базовых станций (BS) в развивающихся долгосрочных условиях. Для решения этой проблемы мы предлагаем фреймворк гетерогенного переноса знаний, ориентированный на долгосрочное позиционирование по отпечаткам, основанный на топологии пространственных признаков (SFTP). Во-первых, мы разделяем гетерогенные признаки на общие и доменно-специфичные (включая специфичные для источника и для целевой домены) признаки с точки зрения статических и динамических компонентов окружающей среды соответственно. В частности, мы наблюдаем, что признаки, захваченные от BS с большими пространственными расстояниями, различаются между образцами, тогда как признаки от BS с малыми пространственными расстояниями демонстрируют большую схожесть. Исходя из этих наблюдений, мы аппроксимируем сквозную доменную отображение для каждого доменно-специфичного признака путем интеграции отображений схожих общих признаков, которые легче обучить с помощью глубоких нейронных сетей (DNN). Впоследствии гетерогенные пространства признаков эффективно преобразуются в гомогенные аналоги, и для дальнейшего прогнозирования позиций тестовых образцов используется сеть глубокого адаптирования (DAN). Таким образом, SFTP способна учитывать эволюционную информацию об окружающей среде для долгосрочного позиционирования. Наконец, эксперименты на реальных данных демонстрируют превосходство и устойчивость предложенного фреймворка.