利用模拟脉冲神经元实现的高能效神经形态射频定位技术

《IEEE Transactions on Circuits and Systems for Artificial Intelligence》：Energy-Efficient Neuromorphic RF Localization Using Analog Spiking Neurons

提出一种基于模拟的神经形态系统，实现物联网设备在360度范围内的二维平面高精度定位，10度角分辨率。系统通过整合突触神经元的物理后布局特性，在20dB SNR下模拟数据精度96.7%，实测数据93.9%；0dB SNR时仍保持86.5%-90.7%精度，功耗仅233nW。

　　

摘要：

随着物联网（IoT）的发展，连接设备数量不断增加，通信变得更加复杂，对精确且节能的定位技术的需求也随之增强。尽管先进的人工智能（AI）技术在射频（RF）定位方面能够提供高精度，但往往伴随着复杂性和功耗的增加。为了实现基于AI的节能RF定位，本文提出了一种基于模拟技术的神经形态系统。该系统能够在二维平面上准确识别360度范围内的物联网发射器位置，角分辨率达到10度。其核心在于将脉冲神经元的模拟特性融入到学习过程中。该网络使用本文开发的MATLAB仿真数据和无回声室测量数据进行了训练和测试。在20分贝的信噪比（SNR）下，该系统在模拟数据上的定位精度为96.7%，在实测数据上的定位精度为93.9%。即使在最糟糕的情况下（信噪比为0 dB），系统在模拟数据上的定位精度仍能达到90.7%，在实测数据上的定位精度为86.5%。该系统的功耗仅为233纳瓦（nW），体现了其出色的性能和适合硬件实现的潜力。

引言

物联网（IoT）在各个领域经历了显著的发展，其特点是连接设备数量增加和通信量巨大。目前，全球已有数十亿台此类设备在使用，根据物联网分析机构的预测，到2027年，物联网连接总数将超过290亿个[1]。在不断扩展的物联网领域中，室内定位和跟踪技术变得尤为重要，应用范围包括声纳、雷达、地震检测、移动通信和无线传感器网络等。因此，对精确且节能的室内定位技术的需求日益迫切[2]。