2.53 基于极稀疏指纹的室内定位注意力图元学习

《Attentional Graph Meta‑Learning for Indoor Localization Using Extremely Sparse Fingerprints》论文详细总结该论文发表于IEEE Transactions on Mobile ComputingTMC2026年6月面向极稀疏指纹条件下的WiFi室内定位针对指纹采集人力成本高、标记指纹稀缺时定位精度大幅下降的痛点提出注意力图元学习模型AGMLAttentional Graph Meta‑Learning结合图神经网络、元学习、两种指纹数据增强与分布对齐技术在标记指纹极少的场景实现高精度室内定位同时公开了多套真实仿真定位数据集用于基准测试。1 研究背景与问题1.1 指纹室内定位基础指纹定位分为离线建库、在线定位两个阶段离线阶段在参考点RP采集RSS、CSI信道状态信息、CIR信道冲激响应构建指纹库在线阶段将测试点TP信号与指纹库匹配估算位置。GNSS在室内受遮挡失效指纹定位硬件成本低是主流室内定位方案。1.2 现存核心痛点采集成本高昂构建稠密指纹库需要大量人工实地勘测环境发生变化时指纹库维护更新工作量巨大。稀疏指纹下性能暴跌传统WKNN、CNN、MLP等方法只使用原始信号忽略指纹之间的空间邻接关系和环境先验标记指纹数量极少时模型极易欠拟合定位误差显著上升。现有域自适应/迁移定位、图神经网络定位方法存在短板域自适应、元学习的早期工作MetaLoc等只利用指纹原始信号没有利用空间邻接信息。GNN室内定位需要大量标记指纹采集负担重虽然半监督GNN可以利用无标记数据但缺少跨环境知识迁移能力。1.3 相关工作分类传统指纹定位概率方法Horus、DeepFi依赖大量离线标定对实际环境噪声敏感。确定性方法KNN、WKNN依靠信号相似度匹配容易选到空间距离很远的错误近邻。普通机器学习定位把定位当成回归或分类任务CNN、MLP只孤立处理单个指纹样本需要大量标记样本训练。域自适应/元学习定位利用相似环境数据集做知识迁移代表工作TransLoc、CRISLoc、MetaLoc但是忽视指纹的空间邻接关系。GNN室内定位利用图结构聚合邻居节点信息提升抗干扰能力缺点是依赖大量标记指纹采集代价高。2 核心创新贡献改造AGNN用于指纹室内定位在原有面向网络测距的注意力图神经网络AGNN基础上新增距离学习模块DLM适配CSI/CIR指纹输入实现从原始信号自动学习图邻接关系不需要预先给定图结构。AGNN由DLM距离学习模块、ALM邻接学习模块、MGAL多图注意力层三部分构成。两套指纹数据增强策略大幅降低实地标记指纹采集工作量无标记指纹增强移动平台在室内随机移动采集大量不带位置标签的指纹半监督模式下供AGNN使用。数字孪生合成标记指纹增强使用射线追踪仿真工具Wireless Insite、QuaDRiGa复刻真实室内环境生成稠密合成指纹对仿真环境做微小扰动障碍物偏移、天线姿态变化生成多组仿真数据集提升模型泛化配套分布对齐算法缩小仿真指纹与真实指纹的特征分布差异。AGML注意力图元学习整体框架将AGNN嵌入MAML模型无关元学习框架分为元训练仿真数据集离线训练元参数、元测试真实场景少量标记样本快速微调两大阶段同时融合上面两套数据增强和分布对齐适配极稀疏标记指纹场景。W. Yan, J. Wang, F. Yin, Y. Tian, and A. M. Zoubir, “Attentional graphneural networks are all you need for robust massive network localization,”IEEE J. Sel. Topics Signal Process., vol. 19, no. 7, pp. 1493–1513, 2025,doi: 10.1109/JSTSP.2025.3590639.()构建多套实测数据集使用消费级WiFi设备、专业高精度信道测量设备在大厅视距LOS、实验室非视距NLOS两种场景采集真实数据同时生成仿真数据集可作为领域基准数据集。大量实验证明AGML对比基线方法RMSE定位误差最低、收敛速度更快。3 问题形式化定义场景二维室内空间障碍物造成信号遮挡标记指纹数量极少存在多个AP采集RSS/CSI/CIR信号。数据集划分真实数据集$D^0$少量有坐标的标记指纹$S_l$移动平台采集大量无标记指纹$S_u^0$$D^t$为待定位无标记测试点TP。仿真数据集${D^1,...,D^m}$数字孪生生成多组稠密带标记指纹用来做元训练。优化目标利用真实数据集$D^0$和多组仿真数据集在可接受计算开销下高精度预测全部测试点$D^t$位置。4 AGNN注意力图神经网络基础模型AGNN是AGML的骨干网络不需要预先给定图邻接矩阵从原始指纹特征自动学习图结构支持半监督学习使用标记无标记指纹共同训练。模型三大组件4.1 DLM距离学习模块将高维CSI/CIR指纹通过两层MLP映射到低维隐嵌入空间计算节点指纹隐向量之间欧氏距离作为指纹之间空间相似度度量为构建图邻接关系提供依据。4.2 ALM邻接学习模块分两步自适应学习邻接矩阵$A$粗粒度邻居筛选设置初始阈值$T_h^0$初步筛选候选邻居集合。细粒度注意力优化注意力机制为每一对节点学习自适应阈值$T_{ij}^A$通过近似阶跃函数得到可微分的邻接矩阵解决传统GNN邻接矩阵固定、阈值敏感的问题。4.3 MGAL多图注意力层改进GATv2图注意力层基于ALM输出的邻接矩阵做邻居特征聚合每一层学习不同邻居的注意力权重最后输出指纹二维位置预测。AGNN损失函数使用标记指纹预测坐标与真实坐标之间Frobenius范数作为损失梯度下降完成优化。5 AGML注意力图元学习完整框架基于MAML元学习范式分为元训练阶段仿真数据集离线、元测试阶段真实环境在线微调定位共享AGNN网络结构。5.1 元训练阶段使用仿真数据集任务构建Step‑I从每一个稠密仿真数据集采样模仿真实场景稀疏标记指纹分布构造大量元学习任务每个任务分为支持集少量标记样本、查询集。内环更新Step‑II对每个任务用支持集做一步梯度下降得到该任务临时参数。外环元参数更新Step‑III在查询集上计算损失回传更新全局元参数目标得到一组良好初始化元参数$\theta^*$使得新任务只需要少量梯度步骤就可以快速适配。5.2 元测试阶段迁移到真实室内环境分布对齐Step‑IV对真实指纹每个特征维度做标准化变换对齐仿真数据集的均值、方差减小仿真‑真实数据特征偏移。模型适配微调Step‑V将元训练得到元参数$\theta^*$作为AGNN初始参数使用真实场景稀疏标记指纹做微调得到适配当前真实环境的模型参数$\theta^#$。测试点定位Step‑VI对测试点TP做同样分布对齐拼接真实指纹与测试点特征送入AGNN输出所有测试点预测位置。关键离线元训练只需要执行一次部署时在线适配、推理计算开销低可以满足实时定位。6 实验设置与实验结果6.1 数据集真实数据集消费级WiFi设备Nexmon CSI平台采集原始CSI做预处理异常包剔除、幅度校准、相位校正转为CIR。专业高精度信道测量设备直接输出CIR。两个场景大厅HallLOS视距开阔、实验室LabNLOS非视距障碍物多。仿真数据集Wireless Insite射线追踪仿真复现真实场景布局设置反射、透射、衍射参数对场景引入微小扰动生成多组仿真数据集。对比基线KNN、WKNN、CNN、MLP、MetaLoc。评价指标RMSE均方根定位误差同时评估收敛速度、推理耗时消融验证两个数据增强策略、分布对齐、仿真扰动的作用。6.2 仿真数据集实验主要结论AGNN优于传统基线依靠ALM自适应图构建半监督使用无标记指纹在标记指纹稀疏场景误差更低仅用少量标记指纹的监督版$AGNN_{N_l}$性能会明显下降验证无标记指纹增强的有效性。元学习带来显著收益MetaLoc、AGML显著优于非元学习方法标记指纹越少$N_l\le20$提升越明显。$AGML_{N_l}$对比$AGNN_{N_l}$的消融实验证明合成标记指纹增强策略有效。AGML收敛速度极快元训练得到良好初始化仅数十步梯度就达到普通AGNN数千步的精度适合标记样本极度稀缺的场景。6.3 真实数据集实验主要结论AGNN优于传统KNN/WKNN/MLP原始CSI不做预处理直接输入会明显降低精度验证转为CIR特征预处理的必要性。AGML整体RMSE最低结合元学习迁移、图空间建模、分布对齐在WiFi噪声数据、高精度测量数据都取得最优定位精度当标记指纹数量很少优势尤其突出。分布对齐的重要性去掉分布对齐模块的AGML‑DA性能明显下降高精度设备采集数据和仿真数据分布接近对齐收益很大消费WiFi硬件噪声大仿真‑真实分布差异大对齐效果受限这是本文的局限也是未来方向。仿真扰动的价值使用多套带微小扰动仿真数据集做元训练AGML优于只用单一仿真数据集训练$AGML_{D^m}$多组扰动仿真提升模型对真实环境不确定性的鲁棒性。超参$N_{path}$CIR选取多径分量数目视距场景Hall取少量多径即可NLOS实验室场景需要更多多径分量过多则引入噪声存在最优取值。计算效率元训练阶段时间开销大但属于离线一次性执行在线适配和推理速度快可以满足实时定位。7 论文局限性与未来工作文中采用逐特征维度线性分布对齐当真实环境硬件畸变、环境动态变化大时仿真与真实数据高阶分布难以对齐造成性能受限。未来可以研究非线性、高阶分布对齐方法。未来可以进一步提升对高度动态、复杂异构室内环境的泛化能力。8 总结针对极稀疏指纹室内定位论文提出AGML框架通过移动平台无标记指纹、数字孪生合成标记指纹两套增强降低指纹采集人力AGNN自动学习室内指纹空间图结构挖掘空间邻接信息元学习从大量仿真任务学习通用初始化参数结合分布对齐实现向真实环境快速迁移在LOS/NLOS、消费WiFi/专业设备多种条件下对比现有方法取得更低定位误差同时提供开源数据集基准。参考文献232.56参考文献232.56《Graph Neural Network for Large‑Scale Network Localization》论文详细总结这是2021年ICASSP会议论文是严文中、殷枫团队第一篇将图卷积网络GCN用于大规模网络协同定位的奠基工作也是后续JSTSP AGNN论文的前置基础。核心首次把GCN应用于网络节点定位非线性回归任务依靠全局固定距离阈值$T_h$构造图邻接矩阵半监督方式仅利用少量锚节点标签在LOS/NLOS混合环境完成大规模节点定位揭示阈值的双重作用噪声截断、防止过平滑。代码开源https://github.com/Yanzongzi/GNN‑For‑localization1 研究背景与问题任务描述大规模网络协同定位二维无线网络可拓展至三维。锚节点anchor$S_a$集合已知精确坐标带标签代理节点agent$S_b$集合位置完全未知无标签节点两两之间可以获取带噪声距离观测 $x_{ij}d(p_i,p_j)n_{ij}$。 噪声$n_{ij}$包含LOS视距噪声零均值高斯噪声NLOS非视距偏差正向偏大的偏差噪声会严重破坏测距精度。应用场景5G小基站网络、大规模物联网IoT设备网络这类场景只有极少节点拥有GPS/北斗大部分设备位置未知。传统定位方法的缺陷传统方法包含极大似然、最小二乘LS、多维缩放MDS、半定规划SDP、贝叶斯消息传递。很多方案需要做NLOS链路识别依赖大量离线标定人力成本高若假设噪声分布容易出现模型失配性能暴跌大规模网络几百、上千节点计算复杂度爆炸难以落地。GNN大多用于节点分类任务很少用于回归问题本文把GCN改造用于定位这个非线性回归任务。本文核心贡献首次将图卷积网络GCN应用于大规模网络协同定位无需NLOS识别、无需大规模离线标定。提出基于距离阈值构建图的GCN定位框架半监督学习只需要少量锚节点标签即可解算全部代理节点位置。从空间聚合、NLOS噪声截断、图低通滤波三个角度理论解释GCN定位为什么有效重点剖析阈值$T_h$的关键作用。仿真表明对比MLP、SDP、ECM、LS等基线GCN在定位精度、NLOS鲁棒性、计算效率上全面占优支持上千甚至上万节点规模。2 问题建模$N$为总节点数$N_l$为锚节点数量剩余为代理节点。$x_{ij}$节点$(i,j)$之间带噪声测距$d(p_i,p_j)$是真实欧氏距离。$\boldsymbol (\boldsymbol X)\in \mathbb R^{N\times N}$距离观测矩阵对角线元素为0。目标给定距离矩阵$\boldsymbol (\boldsymbol X)$和锚节点坐标在可接受计算耗时下高精度估计全部代理节点二维坐标。3 GCN定位方法框架3.1 基于距离阈值构建图无线网络构建无向图$(G(V,A))$。 使用**全局固定阈值$T_h$**判断两节点之间是否存在边 [ \left[A_{T_{h}}\right]{ij} \begin{cases} 0, x{ij}T_h \ 1, \text{otherwise} \end{cases} ]大于阈值认为距离过大不建立边小于等于阈值建立边。构造增广邻接矩阵$\overline A_{T_h}A_{T_h}I$增加自环 构造稀疏距离矩阵$\hat (\boldsymbol X) A_{T_h}\odot (\boldsymbol X)$哈达玛乘积过滤掉大于阈值的测距值。输入给GCN的初始特征矩阵$H^{(0)}\hat (\boldsymbol X)$。3.2 GCN前向传播GCN每一层三步特征传播 → 线性变换 → 非线性激活。特征传播用归一化增广邻接矩阵$\hat A_{T_h}$做邻居特征聚合 $$\overline H^{(k)} \leftarrow \hat A_{T_h} H^{(k-1)}$$ 这一步会做局部平滑相邻节点的表征趋向接近。线性变换乘可训练权重矩阵$W^{(k)}$非线性激活使用ReLU。两层GCN输出全部节点预测坐标$\hat R \in \mathbb R^{N\times 2}$。3.3 损失函数半监督只使用锚节点的真实坐标做监督信号损失为锚节点真实位置与预测位置之间Frobenius范数MSE代理节点没有标签依靠图消息传递间接学习。使用Adam梯度下降优化权重。关键模型不使用代理节点的位置标签属于半监督定位。4 仿真实验仿真设置场景5m×5m方形区域总节点数500锚节点数量$N_l$从20~160可调噪声设置高斯LOS噪声 伯努利采样的NLOS正向偏差噪声改变NLOS发生概率$p_B$对比基线MLP、NTK回归、SDP、ECM、LS额外测试大规模$(N1000)$、$(N1000)0$。评价指标代理节点定位RMSE。主要实验结果定位精度在各种噪声、不同NLOS概率条件下GCN的RMSE均显著优于所有基线NLOS占比越高GCN优势越明显网络扩大到1000节点$GCN_{1000}$性能还可以进一步提升。锚节点数量的影响锚节点越少GCN对比MLP提升越显著MLP在NLOS噪声升高时性能明显下滑但GCN受NLOS影响很小鲁棒性强。阈值$T_h$的影响核心实验图3Region I阈值过小图中边太少大量孤立节点RMSE很高Region II‑IV阈值适中性能稳定其中小阈值实现NLOS噪声截断阈值稍大邻居数量增多补偿噪声带来的损失Region V阈值过大图近乎全连接发生过平滑所有节点预测位置趋于同一个点误差飙升。计算效率表2GCN、MLP、NTK速度远优于传统SDP、ECM、LS节点增加到10000GCN仍然可以运行传统凸优化类方法已经完全不可用。5 理论机理分析论文核心分析两个关键要素阈值$T_h$、归一化增广邻接矩阵$\hat A_{T_h}$。5.1 阈值$T_h$的两大作用噪声截断只保留小于阈值的测距。距离过大或者被NLOS严重污染的大偏差测距直接丢弃抑制NLOS噪声输入。防止过平滑阈值不能太大避免图变成全连接否则节点表征全部趋同定位失效。5.2 归一化邻接矩阵$\hat A_{T_h}$的双重解释空间角度聚合组合GCN每一层更新 节点自身信息 邻居节点聚合信息。虽然只有锚节点带标签但代理节点无标签也参与邻居聚合实现半监督利用全部节点信息这是GCN超越MLP的关键。MLP只能利用标记样本无法利用邻居关系。谱角度低通滤波器图卷积等价于图域低通滤波真实距离信息大多集中在低频分量LOS噪声含有大量高频分量。$\hat A_{T_h}$的多次相乘等效低通滤波滤除噪声的高频成分实现降噪。6 论文局限和后续AGNN(JSTSP 2025)的演进关系本篇ICASSP2021是GCN版本存在明显短板直接催生后续AGNN工作全局统一固定阈值$T_h$所有节点共用同一个阈值。现实中不同节点周边环境、噪声水平不一样每个节点的最优邻居筛选阈值本应该不一样。阈值调优对性能影响巨大。GCN聚合权重固定由节点度数决定不能区分LOS和NLOS邻居的重要程度对质量差的NLOS邻居无法自动降低权重。后续JSTSP 2025 AGNN改进点ALM邻接学习模块不再使用全局固定阈值为每一对节点学习独立自适应阈值粗粒度筛选注意力细粒度精炼MGALs多图注意力层动态注意力根据链路质量动态分配邻居聚合权重LOS链路分配更高权重、NLOS分配更低权重仍然保留本文的核心思想半监督定位、噪声截断、抑制过平滑。再之后TMC 2026的AGML论文在AGNN基础上增加DLM距离学习模块适配指纹信号并且叠加MAML元学习、数据增强解决**室内指纹定位没有节点间测距只有AP采集CSI/CIR指纹**的稀疏指纹问题。BibTe(\boldsymbol X)ICASSP 2021inproceedings{yan2021graph, title{Graph Neural Network for Large-Scale Network Localization}, author{Yan, Wenzhong and Jin, Di and Lin, Zhidi and Yin, Feng}, booktitle{ICASSP 2021-2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)}, pages{5250--5254}, year{2021}, organization{IEEE}, doi{10.1109/ICASSP39728.2021.9414520} }如果你需要我可以整理一份三篇论文演进路线简表ICASSP2021(GCN) → JSTSP2025(AGNN) → TMC2026(AGML)清晰对比三者输入、模型模块、任务场景。参考文献242.54《Attentional Graph Neural Network is All You Need for Robust Massive Network Localization》论文详细总结该论文发表于IEEE Journal of Selected Topics in Signal Processing (JSTSP)2025 年 10 月。针对大规模无线协同网络定位任务在混合视距 (LOS)/ 非视距 (NLOS) 复杂环境下解决传统 GCN 定位固定阈值敏感、模型表达能力不足的痛点提出AGNNAttentional Graph Neural Network注意力图神经网络。AGNN 可以端到端自适应学习图邻接结构与邻居聚合权重无需人工给定图拓扑在大量 NLOS 噪声下依然实现高精度大规模网络节点定位定位误差相比原始 GCN 降低 37%‑53%。注意这是原始版本 AGNN输入是节点间测距距离而 TMC 那篇室内指纹定位论文是在此基础上新增 DLM 距离学习模块改造适配 CSI/CIR 指纹输入。1 研究背景与问题定义1.1 大规模网络定位任务网络定位场景网络中只有少量锚节点 (anchor已知精确坐标)大量普通代理节点 (agent) 位置未知节点之间可以测量节点间距离TOA、RSS 等。目标利用测距观测解算所有未知节点二维坐标可拓展到三维。 测量距离包含噪声LOS 链路零均值高斯噪声NLOS 链路叠加正向有偏噪声会严重破坏测距精度 传统方法极大似然、MDS、SDP 凸优化、贝叶斯消息传递缺点大多需要做 NLOS 识别、离线标定大规模网络下计算复杂度爆炸难以落地。1.2 前人工作基于 GCN 的网络定位作者前期工作把 GCN 用于网络定位人为设置全局固定阈值\(T_h\)大于阈值则无边小于阈值则建立边以此构建邻接矩阵。 优点不需要 NLOS 识别半监督定位大规模网络精度高两大核心缺陷阈值极度敏感阈值太小图碎片化大量孤立节点阈值太大图全连接发生过平滑所有节点预测位置趋同。不同场景、不同节点最优阈值并不统一全局固定阈值很难调参。聚合权重固定GCN 依靠节点度数得到固定聚合权重不能根据邻居链路质量LOS/NLOS动态调整邻居的重要程度模型表达能力受限。1.3 直接套用 GAT/GATv2 的困难如果没有预先给定邻接矩阵直接把 GAT/GATv2 用于定位需要假设完全图复杂度爆炸节点对数量是\(O(N^2)\)全图输入会带来严重过平滑性能恶化。2 AGNN 整体架构AGNN 由两大核心模块构成ALM 邻接学习模块Adjacency Learning ModuleMGALs 多图注意力层Multiple Graph Attention Layers。 输入节点间测距矩阵\(\boldsymbol X\)输出全部节点二维坐标预测。2.1 ALM 邻接学习模块自适应学习邻接矩阵目标不为全图计算注意力两步策略先粗筛再细筛为每一组节点对学习独立自适应阈值自动生成邻接矩阵规避全局固定阈值缺陷。阶段一粗粒度邻居选择设置一个宽松的初始阈值\(T_h^0\)筛选出粗候选邻居集合\(\mathcal{N}_i^C\)。这个初始阈值容错范围很大不需要精细调参仅用于筛除距离过远节点降低后续计算量。阶段二细粒度邻居精炼注意力机制在粗候选邻居集合内部计算注意力得分\(e_{ij}^A\)该注意力设计具备对称性适配定位任务。 利用 sigmoid 缩放得到节点对专属的距离感知阈值\(T_{ij}^A\)每个 (i,j) 拥有自己的阈值不再全局统一。关键阶跃函数不可微分无法反向传播作者设计\(\hat{\delta}(x)ReLU(\tanh(\gamma x))\)可微分近似阶跃函数兼顾陡峭截断效果和可导训练可以梯度回传输出最终 0‑1 邻接矩阵\(\boldsymbol A\)。ALM 输出学习得到的邻接矩阵\(\boldsymbol A\)和截断测距矩阵\(\hat{\boldsymbol X}\)送入 MGALs。ALM 天然具备 NLOS 过滤能力对于 NLOS 带来异常偏大测距会被学习到的阈值过滤掉剔除高噪声邻居。2.2 MGALs 多图注意力层基于 ALM 输出的邻接矩阵改进 GATv2 得到更广义的图注意力层 MGALs。接收细粒度邻居集合\(\mathcal{N}_i^F\)对每个邻居计算注意力得分经过 softmax 归一化得到动态聚合权重GAT 存在静态注意力缺陷对所有查询节点邻居权重排序固定而本文 MGAL 具备动态注意力性质可以针对不同目标节点动态分配不同邻居权重。实验发现MGAL 会给 LOS 链路分配更高注意力分数NLOS 链路分配更低分数实现二次抑制 NLOS 噪声。多层迭代聚合邻居特征最后一层输出全部节点的二维位置预测。2.3 AGNN 损失函数只使用锚节点有标签节点坐标做监督损失为锚节点真实位置与预测位置的 MSE代理节点无标签依靠图消息传递半监督学习。3 理论分析3.1 动态注意力性质核心理论贡献普通 GAT静态注意力邻居权重排序固定和查询节点无关表达能力受限本文证明ALM 内部注意力函数、MGALs 注意力函数均满足动态注意力可以根据目标节点自身特征灵活改变各邻居的权重排序更适配定位中 LOS/NLOS 混杂的环境。3.2 计算复杂度分析ALM 复杂度由粗图边数决定MGALs 复杂度由细图边数决定 在合理稀疏图条件下AGNN 时间复杂度与原始 GCN 处于同一量级不会带来巨大计算开销适合大规模网络10000 节点。3.3 GCN 的底层机理复盘论文从空间视角和谱视角解释 GCN 定位为什么有效空间视角聚合邻居特征结合自身特征做更新谱视角GCN 相当于图低通滤波器可以抑制测距带来的高频噪声但滤波器是固定的无法自适应环境。4 实验部分4.4 对比基线传统模型ECM、MDS、LS、SDP、SMILE 深度学习基线MLP、GraphSAGE、GAT、GATv2 评价指标代理节点定位 RMSE同时评估阈值鲁棒性、NLOS 鲁棒性、泛化能力、计算耗时。 仿真环境改变锚节点数量、NLOS 发生概率、噪声强度场景尺寸变化。主要实验结论定位精度优势在多种 NLOS 噪声配置下AGNN 对比原始 GCN 定位误差降低37%‑53%性能十分接近克拉美‑罗下界 CRB 理论最优界。阈值鲁棒性极强原始 GCN 对阈值\(T_h\)高度敏感AGNN 的初始阈值可以在很大区间浮动RMSE 始终维持低位不需要精细调参。NLOS 抑制双重机制ALM通过自适应阈值直接剔除部分高 NLOS 噪声的邻居MGALs对保留下来仍然带少量 NLOS 的邻居分配更小注意力权重进一步削弱噪声贡献。可视化看到 LOS、NLOS 链路的注意力得分分布明显区分。泛化能力强场景尺寸发生变化时GCN 性能大幅下滑AGNN 依靠动态学习阈值性能衰减很小。大规模网络可扩展N10000 节点仍然可以高效运行传统凸优化类方法在大规模网络完全不可行。超参 p 消融ALM 中注意力计算的幂次\(p1\)取得最佳效果p 过大会放大分数方差削弱降噪p 过小会降低阈值灵活性。近似阶跃函数消融\(ReLU(\tanh(\gamma x))\)组合效果优于 sigmoid、softplus 等替代方案截断陡峭同时梯度稳定。计算效率离线训练阶段AGNN 和 GCN 时间开销接近远优于传统 SDP、ECM节点规模翻倍计算时间仅小幅上涨适合大规模物联网、5G 网络定位。5 两篇论文 AGNN 版本区分重点和你上一份 TMC 论文对照表格项目JSTSP本文原始 AGNNTMC 室内指纹论文扩展版 AGNN输入节点间测距距离矩阵CSI/CIR 指纹信号新增模块ALM MGALs增加 DLM 距离学习模块ALMMGALs 保留图构建依据原始测距值DLM 把高维指纹映射到隐空间用隐空间距离做邻接学习任务大规模网络协同定位锚节点 代理节点已知节点间测距室内 WiFi 指纹定位没有节点间测距只有 AP 采集的信号指纹上层框架独立模型无元学习嵌入 MAML 元学习得到 AGML 模型搭配数据增强、分布对齐6 论文局限与总结总结针对大规模混合 LOS/NLOS 网络定位AGNN 使用 ALM 自适应学习图邻接、MGALs 动态注意力聚合解决 GCN 固定阈值、固定聚合权重的缺陷动态注意力带来更强模型表达能力精度逼近 CRB对 NLOS 鲁棒对初始阈值不敏感计算效率适合大规模网络。局限原始 AGNN 依赖节点之间测距观测当不存在节点间测距只有 AP 采集的指纹信号时无法直接使用因此后续 TMC 论文新增 DLM 模块改造适配指纹定位场景。