文献10.3 多视图变分深度学习及其在实际室内定位中的应用

文献来源：Kim M, Han D, Rhee J K K. Multiview variational deep learning with application to practical indoor localizationJ. IEEE Internet of Things Journal, 2021, 8(15): 12375-12383.

总结

本文提出一种视图选择性深度学习（VSDL）系统 ，基于 WiFi 的信道状态信息（CSI）实现室内定位，通过多视图训练（利用多组接入点（AP）获取的 CSI）在监督变分深度网络上生成潜在特征，并结合额外网络进行主导视图分类以最小化定位回归损失，同时剔除无信息的多视图潜在特征；在复杂建筑环境（300m²，113 个训练点、22 个测试点）中实现1.28m 的定位精度，相比现有最佳精度提升 30%，是首个将变分推理应用于无线电定位并构建实用系统的方案，还为存在信息性与无信息性视图共存的多视图数据监督学习提供了方法。

脑图

核心内容

实验设计与关键参数

主要贡献

1. 技术创新：首个将变分推理应用于基于 CSI 的 WiFi 室内定位，并构建出可在复杂建筑环境中实用的系统。
2. 方法突破：提出针对 "信息性与无信息性视图共存" 的多视图数据监督学习框架，通过视图选择与加权提升回归性能。
3. 实用价值：在 300m² 复杂区域（非网格拓扑，测试点与训练点不对应）实现 1.28m 高精度定位，为大规模复杂室内定位提供可行方案

主要参考文献

1. 1："Stochastic variational inference"，介绍随机变分推理，为本文变分推理应用提供理论基础。
2. 2："Multi-view image generation from a single-view"，阐述从单视图生成多视图数据，与本文多视图数据生成相关。
3. 10："BiLoc: Bi-modal deep learning for indoor localization with commodity 5GHz WiFi"，提出基于双模态深度学习的室内定位方法 BiLoc，用于与本文方法对比。
4. 13："CSI fingerprinting with SVM regression to achieve device-free passive localization"，利用 SVM 回归进行 CSI 指纹定位，是本文对比的现有技术之一。
5. 14："CiFi: Deep convolutional neural networks for indoor localization with 5 GHz Wi-Fi"，基于深度卷积神经网络的室内定位方法 CiFi，用于与本文 VSDL 系统对比。

二级引用高分论文：

Huang H, Yang J, Fang X, et al. VariFi: Variational inference for indoor pedestrian localization and tracking using IMU and WiFi RSSJ. IEEE Internet of Things Journal, 2022, 10(10): 9049-9061.

三级引用高分论文：

Zhang B, Sifaou H, Li G Y. CSI-fingerprinting indoor localization via attention-augmented residual convolutional neural networkJ. IEEE Transactions on Wireless Communications, 2023, 22(8): 5583-5597.

Li X, Guo Y, Li F. Few-Shot Indoor Localization Model Based on Simplified Graph Convolution and Adversarial Gaussian Process RegressionJ. IEEE Internet of Things Journal, 2025.

Shi L F, Zeng R, Jing F, et al. Weighted Least Squares Bluetooth Localization Method Based on Data PreprocessingJ. IEEE Internet of Things Journal, 2024.

Feng Y, Wang Y, Zhao B, et al. Machine learning-based WiFi indoor localization with FasterKAN: optimizing communication and signal accuracyJ. Engineered Science, 2024, 31: 1289.

Wang T, Li Y, Liu J, et al. Multipath-assisted single-anchor localization via deep variational learningJ. IEEE Transactions on Wireless Communications, 2024, 23(8): 9113-9128.

Han Y, Li Z, Zhao Z, et al. CrowdBERT: Crowdsourcing indoor positioning via semi-supervised BERT with maskingJ. IEEE Internet of Things Journal, 2024.

Yu H, She C, Hu Y, et al. Floor-plan-aided indoor localization: Zero-shot learning framework, data sets, and prototypeJ. IEEE Journal on Selected Areas in Communications, 2024.

Pu Q, Yu W, Lan X, et al. A Novel RIS-Aided Indoor Localization in Single Access Point Scenarios via Generative AIJ. IEEE Internet of Things Journal, 2025.

Serbetci O G, Burghal D, Molisch A F. Wireless channel aware data augmentation methods for deep learning-based indoor localizationJ. IEEE Transactions on Wireless Communications, 2025.

Huang J, Lin D, Du J, et al. Robust Visual Place Recognition Under Variational ViewsJ. IEEE Transactions on Industrial Informatics, 2025.

Li H, Chen X, Wang J, et al. DAFI: WiFi-based device-free indoor localization via domain adaptationJ. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 2021, 5(4): 1-21.（CCF A）