一种用于毫米波大规模MIMO系统的室内指纹定位方法技术方案

本发明专利技术公开了一种用于毫米波大规模MIMO系统的室内指纹定位方法。该方法基于毫米波大规模MIMO系统的特点，结合机器学习技术，实现一种由粗到精的定位过程。在粗粒度定位方案中，利用AOA信息作为指纹特征，结合深度学习方法，自适应地提取特征量，组建指纹库，实现粗粒度定位。在细粒度定位方案中，为了克服多天线带来的高复杂性，选取平均后的多径CSI幅值作为指纹特征进行定位，提出了一种基于空间映射的动态加权K近邻算法，以实现更好的定位精度。仿真表明，本发明专利技术能极大地提高定位精度。与现有基于指纹的定位方案相比，本发明专利技术采用单基站，成本较低，同时采用分级定位模型，降低了定位运算复杂度，并且在较大定位场景中也可以实现较高的定位精度。

【技术实现步骤摘要】
一种用于毫米波大规模MIMO系统的室内指纹定位方法
本专利技术属于通信
，具体涉及一种用于毫米波大规模MIMO系统的室内指纹定位方法。
技术介绍
随着无线技术和互联网的快速发展，物联网(InternetofThings,IoT)已逐渐成为人们日常生活中不可或缺的一部分。基于位置的服务是与物联网相关的最具吸引力的应用之一。物联网技术的飞速发展促进了许多高精度定位服务的应用的发展。例如：未来的自动驾驶汽车必须达到厘米级的定位精度以保障车辆的准确高速度行驶。对于某些室内场景，例如大型智能工厂，智能机器人的货物拣选或盘点需要货物的精确位置信息以加速挑拣过程。此外，机场的行李追踪，地下采矿的人员定位，智能家居管理和身体健康监控都需要高精度定位。户外区域主要的定位技术是基于全球导航卫星系统(GNSS)的定位系统，然而在室内区域，由于其复杂的无线电传播环境，GNSS无法提供令人满意的定位性能。因此，近年来，基于无线电信号的室内定位技术迅速发展。在这些信号中，最常用的是当前智能设备中的WiFi和蓝牙。指纹定位技术作为无线电信号实现室内定位的潜在解本文档来自技高网...

【技术保护点】
1.一种用于毫米波大规模MIMO系统的室内指纹定位方法，其特征在于，接收端获取毫米波大规模MIMO系统时域可分离的CSI多径信号，对CSI多径信号进行数据收集和预处理；在粗粒度定位方案中，利用由多径CSI信号估计的AOA信息作为指纹特征，结合深度学习方法，自适应的提取特征量，组建指纹库，以实现粗粒度定位；为了克服多天线带来的高复杂性，在细粒度定位方案中，利用平均后的多径CSI信息作为指纹特征进行定位；同时考虑到传统的WKNN算法很大程度上依赖于预先选择的固定K值的问题，采用动态加权K近邻算法，以实现更好的定位精度。/n

【技术特征摘要】
1.一种用于毫米波大规模MIMO系统的室内指纹定位方法，其特征在于，接收端获取毫米波大规模MIMO系统时域可分离的CSI多径信号，对CSI多径信号进行数据收集和预处理；在粗粒度定位方案中，利用由多径CSI信号估计的AOA信息作为指纹特征，结合深度学习方法，自适应的提取特征量，组建指纹库，以实现粗粒度定位；为了克服多天线带来的高复杂性，在细粒度定位方案中，利用平均后的多径CSI信息作为指纹特征进行定位；同时考虑到传统的WKNN算法很大程度上依赖于预先选择的固定K值的问题，采用动态加权K近邻算法，以实现更好的定位精度。


2.根据权利要求1所述的一种用于毫米波大规模MIMO系统的室内指纹定位方法，其特征在于，该方法具体如下：
首先，在粗粒度定位阶段，利用经典的MUSIC算法，将采集的多径CSI指纹数据估计得到多径AOA信息，作为指纹特征，通过一个多层卷积神经网络，自适应的提取指纹特征，构建指纹库，然后经过softmax分类器，将输出概率最大的位置标签作为粗粒度定位阶段的最终估计位置；
然后，细粒度定位阶段，在估计得到的粗粒度定位标签的基础上，以其为核心生成细粒度标签，考虑到细化标签数越多，细粒度定位结果越精细，选取平均后的CSI幅值信息作为细粒度定位阶段的指纹特征，并提出了一种基于空间映射的动态加权K近邻算法，用于细粒度定位；
最后，为了提高定位精度，在细粒度阶段，考虑了以下事实：相同的CSI差值可能对应于不同的几何距离，也就是说，对于不同量级的CSI差值，其代表的信号距离可能对应不同的几何距离；因此，通过训练ELM来建立信号距离空间和几何距离空间之间的关系，以实现空间映射，并防止距离失配的影响而导致定位精度下降。


3.根据权利要求2所述的一种用于毫米波大规模MIMO系统的室内指纹定位方法，其特征在于，粗粒度定位阶段的数据收集与预处理具体包括如下步骤：
步骤1：将小区均匀划分为N1个块，以其几何中心作为分类位置标签；
步骤2：在粗粒度定位阶段，由于选定的粗粒度定位标签分布稀疏，数量少，因此，划分的N1个块中分别采集的多径CSI信息通过经典的MUSIC估计算法估计得到所有粗粒度位置标签点的多径AOA信息，并以此作为指纹特征；
步骤3：将样本特征加入标签，粗粒度定位阶段的样本加入标签后表示为：



其中，φ0为直射路径的AOA，φ1为第一条散射路径的AOA，为第Nray条散射路径的AOA，T为矩阵转置。


4.根据权利要求3所述的一种用于毫米波大规模MIMO系统的室内指纹定位方法，其特征在于，粗粒度定位阶段的任务是根据获取的有标签的训练数据，对深度卷积神经网络和回归分类器网络的参数进行训练，训练的目标是使得训练标签与网络输出的均方误差最小；
粗粒度定位环节的离线阶段训练过程如下：
对于深度学习网络，采用深度卷积神经网络，各层节点的激励函数采用ReLU函数，训练数据输入网络后，根据激励函数得到每层的输出，作为下一层的输入，经过层层正向传播，最终得到网络输出；根据最小均方误差原则构造罚函数并用随机梯度下降算法更新迭代得到最终的训练参数，训练后的权值W,b作为指纹库的一部分被存储起来；
然后将神经网络训练输出数据作为softmax分类器的输入，然后将其划分到C类，该输入数据属于每一类的概率作为分类...

【专利技术属性】
技术研发人员：范建存，王建鹏，罗新民，张莹，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61