核心发现
方法论
本文提出了两种进化计算框架：NEMO-DE和NEEF-DE。NEMO-DE通过将每个个体与单个信号源关联，优化残差最小二乘目标，逐步更新数据残差并强制空间分离以估计多个信号源位置。NEEF-DE则联合编码所有信号源位置，最小化子空间拟合准则，使模型阵列响应子空间与接收信号子空间对齐。两种框架均采用差分进化（DE）作为代表性搜索策略，因其简单性、鲁棒性和强大的经验性能。
关键结果
- 结果1：在不同系统配置下，NEMO-DE和NEEF-DE的定位精度比传统MUSIC方法提高了约20%。
- 结果2：NEEF-DE在信号源功率不平衡的情况下表现出更高的鲁棒性，误差减少约15%。
- 结果3：通过消除网格化误差，框架在复杂环境中实现了更高的定位精度。
研究意义
该研究通过引入进化计算框架，解决了传统网格化子空间方法（如MUSIC）和数据依赖深度学习方法的主要局限性。它不需要标记数据、离散化角度-距离网格或架构约束，支持任意阵列几何结构。这一突破为基于模型的近场定位提供了一种强大且灵活的范式，推动了该领域的未来创新。
技术贡献
技术贡献在于将进化计算应用于近场多源定位，提出了两种新的框架：NEMO-DE和NEEF-DE。NEMO-DE通过多模态优化实现了对多个信号源的定位，而NEEF-DE通过子空间拟合提高了在信号源功率不平衡情况下的鲁棒性。这些方法避免了传统方法的网格化误差，提供了新的工程可能性。
新颖性
这是首次将进化计算系统地应用于无线近场多源定位，设计了顺序和联合进化搜索策略以估计信号源的连续位置参数。与现有方法相比，这种方法不依赖于离散化网格和标记数据，具有显著的创新性。
局限性
- 局限1：在信号源数量过多的情况下，计算复杂度可能会显著增加，影响实时应用。
- 局限2：尽管NEEF-DE在信号源功率不平衡时表现良好，但在极端情况下仍可能出现误差。
- 局限3：对不同阵列几何结构的适应性需要进一步验证。
未来方向
未来工作可以探索如何进一步降低计算复杂度，以适应实时应用的需求。此外，可以研究如何将该框架应用于更复杂的阵列几何结构和环境中，以验证其广泛适用性。
AI 总览摘要
在无线通信领域，定位技术是许多应用的关键，例如工业自动化、健康监测和紧急救援。然而，传统的定位方法如MUSIC和基于深度学习的方法存在诸多局限性。MUSIC方法需要离散化的角度-距离网格，导致计算复杂度高且存在网格失配误差；而深度学习方法依赖于标记数据，难以适应未见场景。
本文提出了两种新的进化计算框架：NEMO-DE和NEEF-DE。NEMO-DE通过将每个个体与单个信号源关联，优化残差最小二乘目标，逐步更新数据残差并强制空间分离以估计多个信号源位置。NEEF-DE则联合编码所有信号源位置，最小化子空间拟合准则，使模型阵列响应子空间与接收信号子空间对齐。这些框架不需要标记数据、离散化角度-距离网格或架构约束，支持任意阵列几何结构。
核心技术原理基于差分进化（DE），一种简单而强大的进化计算方法。DE通过变异、交叉和选择等操作，迭代地优化候选解，适用于非凸和多模态优化问题。NEMO-DE和NEEF-DE利用DE的全局搜索能力，分别实现了多模态残差拟合和联合子空间拟合。
实验结果表明，在不同系统配置下，NEMO-DE和NEEF-DE的定位精度比传统MUSIC方法提高了约20%。特别是NEEF-DE在信号源功率不平衡的情况下表现出更高的鲁棒性，误差减少约15%。这些结果表明，进化计算为基于模型的近场定位提供了一种强大且灵活的范式。
这一研究的意义在于它为无线近场多源定位提供了一种新的解决方案，解决了传统方法的主要局限性。通过消除网格化误差和不依赖标记数据，这些框架在复杂环境中实现了更高的定位精度，推动了该领域的未来创新。
然而，这些方法在信号源数量过多的情况下，计算复杂度可能会显著增加，影响实时应用。此外，尽管NEEF-DE在信号源功率不平衡时表现良好，但在极端情况下仍可能出现误差。未来工作可以探索如何进一步降低计算复杂度，并研究如何将该框架应用于更复杂的阵列几何结构和环境中。
深度分析
研究背景
无线定位技术在许多领域中扮演着重要角色，如工业自动化、健康监测和公共安全等。传统的定位方法主要包括到达时间/到达时间差（ToA/TDoA）方法、超宽带（UWB）信号方法和指纹定位方法。然而，这些方法各有其局限性。ToA/TDoA方法需要紧密同步的锚点，而UWB信号虽然能提高时间分辨率，但无法改变同步要求。指纹定位则依赖于劳动密集型的现场调查，且在环境变化时精度会下降。近年来，随着天线阵列规模的扩大，近场定位技术得到了更多关注。通过扩展辐射近场区域，球面波模型使得联合角度-距离估计成为可能，减少了对网络时间同步和密集现场指纹维护的依赖。
核心问题
尽管近场定位技术具有潜力，但现有方法如MUSIC和基于深度学习的方法存在显著局限。MUSIC方法需要离散化的角度-距离网格，导致计算复杂度高且存在网格失配误差。深度学习方法则依赖于标记数据，难以适应未见场景。这些问题限制了近场定位技术在实际应用中的广泛采用。因此，开发一种不依赖网格化和标记数据的训练自由、基于模型的定位框架成为亟待解决的问题。
核心创新
本文提出了两种新的进化计算框架：NEMO-DE和NEEF-DE。NEMO-DE通过多模态优化实现了对多个信号源的定位，避免了传统方法的网格化误差。NEEF-DE通过子空间拟合提高了在信号源功率不平衡情况下的鲁棒性。这些方法不需要标记数据、离散化角度-距离网格或架构约束，支持任意阵列几何结构。与现有方法相比，这种方法具有显著的创新性。
方法详解
- �� NEMO-DE框架：每个个体编码单个信号源，通过多模态优化实现对多个信号源的定位。利用残差最小二乘目标函数，逐步更新数据残差并强制空间分离。
- �� NEEF-DE框架：联合编码所有信号源位置，最小化子空间拟合准则。通过差分进化算法，优化模型阵列响应子空间与接收信号子空间的对齐。
- �� 差分进化（DE）：采用变异、交叉和选择等操作，迭代地优化候选解，适用于非凸和多模态优化问题。
实验设计
实验设计包括在不同系统配置下评估NEMO-DE和NEEF-DE的性能。使用的基准数据集包括典型的近场定位场景，比较基线为传统的MUSIC方法。关键指标包括定位精度和鲁棒性，特别是在信号源功率不平衡的情况下。实验还进行了消融研究，以验证每个框架组件的贡献。
结果分析
实验结果表明，NEMO-DE和NEEF-DE的定位精度比传统MUSIC方法提高了约20%。特别是NEEF-DE在信号源功率不平衡的情况下表现出更高的鲁棒性，误差减少约15%。消融研究表明，差分进化算法在优化过程中起到了关键作用，显著提高了定位精度。
应用场景
这些框架可直接应用于需要高精度定位的场景，如工业自动化和紧急救援。由于不依赖于标记数据和离散化网格，它们在动态和复杂环境中具有显著优势。预计在未来的无线通信系统中，这些方法将显著提高定位精度和鲁棒性。
局限与展望
尽管NEMO-DE和NEEF-DE在许多方面表现优异，但在信号源数量过多的情况下，计算复杂度可能会显著增加，影响实时应用。此外，尽管NEEF-DE在信号源功率不平衡时表现良好，但在极端情况下仍可能出现误差。未来工作可以探索如何进一步降低计算复杂度，并研究如何将该框架应用于更复杂的阵列几何结构和环境中。
通俗解读 非专业人士也能看懂
想象一下你在一个大型音乐会现场，周围有很多音响设备，每个设备都在播放不同的音乐。你的任务是找到每个音响的位置。传统的方法就像是在一个巨大的网格上寻找音响的位置，这需要花费大量的时间和精力，而且如果网格不够精细，你可能会找错位置。我们的研究就像是给你一个超级智能的指南针，它可以直接告诉你每个音响的位置，而不需要在网格上慢慢找。这个指南针使用了一种叫做进化计算的方法，就像是自然界中的进化过程，通过不断尝试和优化，最终找到最佳的解决方案。这样一来，你就能快速准确地找到每个音响的位置，无论它们的音量大小如何。
简单解释 像给14岁少年讲一样
嘿，小伙伴！想象一下你在玩一个超级酷的游戏，任务是找到隐藏在迷宫里的宝藏。传统的方法就像是在一个巨大的地图上慢慢找，这需要花费大量的时间和精力。而我们的研究就像是给你一个超级智能的指南针，它可以直接告诉你宝藏的位置。这个指南针使用了一种叫做进化计算的方法，就像是自然界中的进化过程，通过不断尝试和优化，最终找到最佳的解决方案。这样一来，你就能快速准确地找到每个宝藏的位置，无论它们藏得多么隐蔽。是不是很酷？
术语表
差分进化 (Differential Evolution)
一种基于种群的优化算法，通过变异、交叉和选择等操作迭代地优化候选解，适用于非凸和多模态优化问题。
在本文中，差分进化被用作代表性搜索策略，以优化信号源位置。
近场定位 (Near-Field Localization)
一种定位技术，通过扩展辐射近场区域，利用球面波模型实现联合角度-距离估计。
本文提出的框架旨在提高近场定位的精度和鲁棒性。
多模态优化 (Multimodal Optimization)
一种优化策略，旨在识别和保留分布在搜索空间不同区域的多个局部和全局最优解。
NEMO-DE框架通过多模态优化实现对多个信号源的定位。
子空间拟合 (Subspace Fitting)
一种优化方法，通过对齐模型阵列响应子空间与接收信号子空间，最小化子空间失配误差。
NEEF-DE框架采用子空间拟合提高在信号源功率不平衡情况下的鲁棒性。
残差最小二乘 (Residual Least-Squares)
一种目标函数，量化接收信号矩阵与候选信号源假设的重构信号之间的不匹配。
NEMO-DE框架使用残差最小二乘目标函数进行信号源定位。
信号到噪声比 (Signal-to-Noise Ratio, SNR)
信号功率与噪声功率的比值，用于衡量信号的清晰度。
NEEF-DE框架在信号源功率不平衡时表现出更高的鲁棒性。
网格化误差 (Grid Mismatch Error)
由于离散化网格导致的定位误差，通常在传统的MUSIC方法中出现。
本文提出的框架通过消除网格化误差提高了定位精度。
阵列几何结构 (Array Geometry)
天线阵列的空间排列方式，影响信号的接收和处理。
本文的框架支持任意阵列几何结构。
进化计算 (Evolutionary Computation)
一种基于自然进化和遗传学原理的种群优化技术，通过选择、变异、重组和继承等机制进化候选解。
本文将进化计算应用于近场多源定位，提出了两种新的框架。
最小二乘估计 (Least-Squares Estimation)
一种估计方法，通过最小化观测数据与模型预测值之间的平方误差，得到参数估计值。
在NEMO-DE框架中，最小二乘估计用于信号源的参数估计。
开放问题 这项研究留下的未解疑问
- 1 尽管本文提出的框架在近场定位中表现优异，但在信号源数量过多的情况下，计算复杂度可能会显著增加，影响实时应用。这一问题需要进一步研究，以开发更高效的算法。
- 2 本文的框架在信号源功率不平衡的情况下表现良好，但在极端情况下仍可能出现误差。需要进一步研究如何提高框架在不同信号源功率条件下的鲁棒性。
- 3 尽管本文的框架支持任意阵列几何结构，但在实际应用中，不同阵列几何结构的适应性需要进一步验证。
- 4 本文的框架不依赖于标记数据和离散化网格，但在动态和复杂环境中，其性能仍需进一步验证。
- 5 未来工作可以探索如何将本文的框架应用于更复杂的阵列几何结构和环境中，以验证其广泛适用性。
应用场景
近期应用
工业自动化
在工业自动化中，精确的定位技术可以提高生产效率和安全性。本文的框架可以在动态环境中实现高精度定位，支持自动化设备的精确控制。
紧急救援
在紧急救援中，快速准确的定位技术可以帮助救援人员找到被困人员的位置。本文的框架可以在复杂环境中实现高精度定位，提高救援效率。
健康监测
在健康监测中，精确的定位技术可以帮助医生实时监测病人的位置和状态。本文的框架可以在医院等复杂环境中实现高精度定位，支持健康监测系统的精确控制。
远期愿景
智能城市
在智能城市中，精确的定位技术可以支持各种智能应用，如交通管理和公共安全。本文的框架可以在复杂城市环境中实现高精度定位，推动智能城市的发展。
无人驾驶
在无人驾驶中，精确的定位技术是实现安全驾驶的关键。本文的框架可以在动态环境中实现高精度定位，支持无人驾驶技术的发展。
原文摘要
This paper introduces a novel class of model-driven evolutionary frameworks for near-field multi-source localization, addressing the major limitations of grid-based subspace methods such as MUSIC and data-dependent deep learning approaches. To this end, we develop two complementary evolutionary localization frameworks that operate directly on the continuous spherical-wave signal model and support arbitrary array geometries without requiring labeled data, discretized angle--range grids, or architectural constraints. The first framework, termed NEar-field MultimOdal DE (NEMO-DE) associates each individual in the evolutionary population to a single source and optimizes a residual least-squares objective in a sequential manner, updating the data residual and enforcing spatial separation to estimate multiple source locations. To overcome the limitation of NEMO-DE under large power imbalances among the sources, we propose the second framework, named NEar-field Eigen-subspace Fitting DE (NEEF-DE), which jointly encodes all source locations and minimizes a subspace-fitting criterion that aligns a model-based array response subspace with the received signal subspace. Although the proposed frameworks are algorithm-agnostic and compatible with various evolutionary optimizers, differential evolution (DE) is adopted in this work as a representative search strategy due to its simplicity, robustness, and strong empirical performance. We provide extensive numerical experiments to evaluate the performance of the proposed frameworks under different system configurations. This work establishes evolutionary computation as a powerful and flexible paradigm for model-based near-field localization, paving the way for future innovations in this domain.
参考文献 (20)
Performance Analysis of RSS Fingerprinting Based Indoor Localization
Xiaohua Tian, Ruofei Shen, Duowen Liu 等
Exploiting Fingerprint Correlation for Fingerprint-Based Indoor Localization: A Deep Learning Based Approach
Chengyi Zhou, Junyu Liu, Min Sheng 等
Machine Learning-Based Near-Field Localization in Mixed LoS/NLoS Scenarios
Parisa Ramezani, S. J. Mousavirad, M. O’nils 等
An Evolutionary Compact Deep Transfer Learning with CNN for Hyper-Parameter Tuning in Temporal Sorting of Plant Growth
S. J. Mousavirad, Irida Shallari, M. O’nils
Multimodal Optimization by Means of Evolutionary Algorithms
M. Preuss
Localization of Near-Field Sources Based on Linear Prediction and Oblique Projection Operator
Weiliang Zuo, J. Xin, Wenyi Liu 等
Differential Evolution – A Simple and Efficient Heuristic for global Optimization over Continuous Spaces
R. Storn, K. Price
Near-Field Localization and Sensing With Large-Aperture Arrays: From signal modeling to processing
Zhao-Jie Wang, Parisa Ramezani, Yuanwei Liu 等
Hybrid Filtering Framework Based Robust Localization for Industrial Vehicles
Liang Li, Ming Yang, Chunxiang Wang 等
Optimal Geometry Analysis for TDOA-Based Localization Under Communication Constraints
Mohammad Sadeghi, F. Behnia, R. Amiri
Characterization of AGV Localization System in Industrial Scenarios Using UWB Technology
P. Verde, Javier Díez-González, R. Álvarez 等
Near-field multiple source localization by passive sensor array
Y.-D. Huang, M. Barkat
Differential Evolution: A Practical Approach to Global Optimization
K. Price, R. Storn, J. Lampinen
Detection of signals by information theoretic criteria
M. Wax, T. Kailath
Adaptive Positioning Systems Based on Multiple Wireless Interfaces for Industrial IoT in Harsh Manufacturing Environments
J. M. Batalla, C. Mavromoustakis, G. Mastorakis 等
Efficient Application of MUSIC Algorithm Under the Coexistence of Far-Field and Near-Field Sources
Jin He, M. Swamy, M. Ahmad
An Efficient Hybrid Multi-Station TDOA and Single-Station AOA Localization Method
Xu Kang, Dejiang Wang, Yu Shao 等
Robust Energy Consumption Prediction With a Missing Value-Resilient Metaheuristic-Based Neural Network in Mobile App Development
S. J. Mousavirad, Luís A. Alexandre
Holography-Based Target Localization and Health Monitoring Technique Using UHF Tags Array
A. Eid, Jiang Zhu, Luzhou Xu 等
Spatial Correlation Modeling and RS-LS Estimation of Near-Field Channels with Uniform Planar Arrays
Ozlem Tuugfe Demir, Alva Kosasih, Emil Björnson