基于两阶段MUSIC的可靠近场多用户定位
arXiv cs.AI · · 发布于 2026-09-11 · 3 分钟阅读
本文提出一种名为MUSIC-Net的端到端近场定位深度学习框架，其训练过程引入两阶段多重信号分类（MUSIC）方法，用于在混合视距与非视距多径场景中分离视距相关信号子空间并识别替代距离。该框架无需进行复杂的非视距参数估计或路径/信源关联即可直接恢复多用户位置，并引入分裂共形预测（SCP）实现具有统计保证的置信集估计。数值结果表明，MUSIC-Net的平均定位误差低于现有基准，且SCP校准后的预测区域更紧凑，在相干多径环境中兼顾了精确视距定位与高效不确定性量化。
当前来源仅提供摘要，以下要点基于摘要生成；可通过官方原文查看完整信息。研究背景
近场定位被认为是未来无线系统中实现高分辨率多用户定位的有前景技术。
核心挑战
散射引起的相干传播会降低近场定位性能。
现有局限
现有方法通常需要分别进行参数估计和路径与源关联，计算开销高、误差会累积，且往往不提供可靠性保证。
提出方法
论文提出 MUSIC-Net，一个由两阶段多重信号分类启发的端到端近场定位深度学习框架。
适用场景
该方法面向混合视距和非视距多径场景。
训练机制
框架将两阶段多重信号分类目标嵌入训练，用于隔离与视距相关的信号子空间并识别替代距离。
定位方式
该框架直接恢复多用户位置，不需要复杂的非视距参数估计或路径与源关联。
可靠性估计
论文引入分割共形预测，将基于点估计的定位推进为对所有用户具有统计保证的置信集合估计。
实验结论
数值结果显示，MUSIC-Net 的平均定位误差低于现有基准，并产生更紧的分割共形预测校准预测区域。
总体意义
结果说明该方法在相干多径环境中同时实现较准确的视距定位和高效的不确定性量化。
SOURCES
共 1 个来源来源与引用
官方原文arXiv cs.AI 原始发布2026-09-11 · 一手信息https://arxiv.org/abs/2609.09409