一种基于信号子空间的指纹室内定位方法技术

本发明专利技术公开了一种基于信号子空间的指纹室内定位方法，在离线阶段获取CSI数据，通过信号子空间的方法对CSI数据进行预处理，选择

【技术实现步骤摘要】
一种基于信号子空间的指纹室内定位方法
本专利技术属于无线通信
，具体涉及一种基于信号子空间的指纹室内定位方法。
技术介绍
随着互联网技术的发展，室内位置服务在一些特定场合的需求日趋增强，商场、机场、医院及停车场等场合越来越意识到能够得到精准室内位置信息的必要性。如今全球导航卫星系统(GlobalNavigationSatelliteSystem，GNSS)使室外定位的准确率达到了很高水平，但是在复杂的室内环境，GNSS信号衰减过大，很难满足高精度的室内定位。多年来，科研机构一直努力研究，试图探索出其他技术，以获得可靠、准确的室内定位系统。其中一些定位技术已经取得了成功，如iBeacon定位技术、射频识别技术及超宽带技术等。iBeacon定位技术设备小、普适性强、易集成，但稳定性差、覆盖范围小。射频识别技术成本低、精度高，但有着传输距离短、不易集成的弊端。超宽带技术有较高的精度，但是成本较高。各种定位技术都由于精度问题或附加设备的成本问题而缩小了其潜在的应用范围。WiFi室内定位技术是为解决上述问题而迅速发展的一种室内定位技术，受到了越来越多的重视。传统的WiFi室内定位技术中，接收信号强度(ReceivedSignalStrengthIndication，RSSI)由于成本低且容易获取而被广泛应用。但因为RSSI的粗粒度以及高度易变性，在获取过程中存在信号不稳定、误差大等问题，从而无法在复杂的室内环境中实现高精度定位。近年来，随着多入多出系统和正交频分复用系统在IEEE802.11a/n标准中得到不断应用，可以从WiFi设备中获取信道状态信息(ChannelStateInformation，CSI)，它代表了发射天线到接收天线的每一个子载波的信道矩阵，包含了每个子载波的幅度和相位信息，可以为每个位置提供更细粒度和丰富的信息。使用CSI进行指纹构建实现定位是目前非常有潜力的研究方向。位置指纹识别算法是一种机器学习的算法，分为两个阶段：离线阶段和在线阶段，离线阶段是基础，在线阶段是目的。离线阶段的主要任务就是确定CSI值与指纹点位置的对应联系，建立位置指纹数据库。在室内场景中，会根据定位场地的面积设置不同大小的网格，网格的交点就是离线数据库的指纹点又称指纹点。指纹点的密度大小决定数据库的指纹容量，同时影响着在线阶段的定位精度。在线阶段是位置指纹技术中未知节点定位阶段，也是该方法最终目的。用户手持移动终端进入定位区域，需要采用一定方法对未知节点进行位置估计。终端需要采取和离线过程一样的方式采集CSI，并上传至指纹库，系统将未知位置的CSI数据与指纹库中的数据比较，通过一定算法找出与其匹配度最高的指纹点作为未知点的位置估计。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于信号子空间的指纹室内定位方法，使用CSI进行指纹构建实现定位。本专利技术采用以下技术方案：一种基于信号子空间的指纹室内定位方法，包括以下步骤：S1、在离线阶段获取CSI数据，通过信号子空间的方法对CSI数据进行预处理，选择作为指纹信息；S2、建立神经网络训练指纹信息构建由所有位置的样本协方差和投影矩阵组成的指纹库，得到初步的输出层权值β；S3、建立优化模型，将权重添加到损失函数中降低模型过拟合程度，采用正则化的方法对权值进行优化并输出权值，得到优化后的输出层权值β′后，将定位点的样本数据送入网络得到网络输出，寻找输出中的最大值所对应的训练点位置作为定位点的位置，完成室内定位。具体的，步骤S1中，计算样本协方差矩阵进行的特征值分解；估计信号子空间维度提取的前q个特征向量估计投影矩阵；得到预处理后的数据进一步的，样本协方差矩阵为：其中，M为时域采样点个数，tm为采样时刻，x为接收信号，H为共轭转置。进一步的，投影矩阵为：其中，为投影矩阵的特征向量组成的矩阵，为特征矩阵的共轭转置矩阵。进一步的，信号子空间维度为：其中，minQ,s.t.为优化条件，λi为投影矩阵的第i个特征值，pN为最大特征值个数，Q为估计的子空间维度，α为90％。具体的，步骤S2中，神经网络有一层隐含层，输入层和隐含层的连接权值矩阵W、隐含层的阈值b随机设定；将每个训练点的中的元素写为一个向量并进行归一化，作为神经网络的输入数据X＝(x1,x2,...xn)；每个训练点测量多个样本作为输入，随机选取权值矩阵W以及隐含层神经元阈值b，范围为[0,1]；当训练第i个位置的指纹数据时，向量T中的第i个元素值为1，其余均为0，根据确定的激活函数g(x)得到网络输出样本标签集合tj。进一步的，输入层与隐含层间的连接权值矩阵W为：其中，wji表示输入层第i个神经元与隐含层第j个神经元之间的连接权值；隐含层神经元阈值b为：进一步的，网络输出样本标签集合tj为：其中，j＝1,2,...,Q，wi＝[wi1,wi2,...,win]，xj＝[x1j,x2j,...,xnj]T。具体的，步骤S3中，优化后的输出层权值β′为：其中，HT为H的转置矩阵，C为正则化系数，T为样本标签的集合。进一步的，优化模型为：其中，γjk为拉格朗日乘数，ξj为最终输出的总误差损失，N为输入数据的个数，m为隐含层神经元个数，βk为第k个隐含层神经元对应的输出权值，tjk为应该得到的正确输出值，ξjk为第j个输入数据经过第k个隐含层神经元输出产生的误差，xj为输入数据。与现有技术相比，本专利技术至少具有以下有益效果：本专利技术一种基于信号子空间的指纹室内定位方法，指纹定位是目前较为热门的定位技术，有着成本低，鲁棒性强的优点。但是指纹定位同样面临着数据量大，计算量大的问题。所以我们提出了一种基于信号子空间的数据预处理方法，可以在保证精度的同时满足高实时性的室内定位，同时还可以应对较为复杂的室内环境。进一步的，对于信号子空间方法，该方法以信号传播模型为基础，在尽可能不丢失信号特征的情况下可以有效地降低数据维度。而且实际环境中存在大量的NLOS环境，对于NLOS环境，信号存在着大量的反射、折射等等。当信号穿透物体时，信号会大幅度衰减，不像在LOS环境中直射径会占很大的一个比重，所以在接收机处可能会接收到来自各个方向的信号，而且可能很难分辨出哪一条是主路径。在这个时候，简单的运用测距的方法可能会导致较大的误差，所以有必要研究信号在非直射环境下的传播特性，选取合适的信号特征来实现定位。通过推理论证可以证明经过信号子空间方法预处理之后的数据包含了所有的多径信息，可以应对NLOS情况下复杂的多径环境带来的困扰。进一步的，采用单隐含层神经网络来实现指纹匹配算法。传统的神经网络通过梯度下降法，利用反向传播的方式进行学习，需要不断地进行迭代来更新权重和阈值，而我们采用的单隐含层神经网络则是通过增加隐含层节点的个数来达到学习的目的，隐含层节点的个数一般是根据样本的个数来确定本文档来自技高网...

【技术保护点】
1.一种基于信号子空间的指纹室内定位方法，其特征在于，包括以下步骤：/nS1、在离线阶段获取CSI数据，通过信号子空间的方法对CSI数据进行预处理，选择

【技术特征摘要】
1.一种基于信号子空间的指纹室内定位方法，其特征在于，包括以下步骤：
S1、在离线阶段获取CSI数据，通过信号子空间的方法对CSI数据进行预处理，选择作为指纹信息；
S2、建立神经网络训练指纹信息构建由所有位置的样本协方差和投影矩阵Pi组成的指纹库，得到初步的输出层权值β；
S3、建立优化模型，将权重添加到损失函数中降低模型过拟合程度，采用正则化的方法对权值进行优化并输出权值，得到优化后的输出层权值β′后，将定位点的样本数据送入网络得到网络输出，寻找输出中的最大值所对应的训练点位置作为定位点的位置，完成室内定位。


2.根据权利要求1所述的基于信号子空间的指纹室内定位方法，其特征在于，步骤S1中，计算样本协方差矩阵进行的特征值分解；估计信号子空间维度提取的前q个特征向量估计投影矩阵；得到预处理后的数据


3.根据权利要求2所述的基于信号子空间的指纹室内定位方法，其特征在于，样本协方差矩阵为：



其中，M为时域采样点个数，tm为采样时刻，x为接收信号，H为共轭转置。


4.根据权利要求2所述的基于信号子空间的指纹室内定位方法，其特征在于，投影矩阵为：



其中，为投影矩阵的特征向量组成的矩阵，为特征矩阵的共轭转置矩阵。


5.根据权利要求2所述的基于信号子空间的指纹室内定位方法，其特征在于，信号子空间维度为：



其中，minQ,s.t.为优化条件，λi为投影矩阵的第i个特征值，pN为最大特征值个数，Q为估计的子空间维度，α为90％。


6.根据权利要求1所述的基于信号子空间的指纹室内定位方法，其特征在于，步骤S2中，神经网络有一层...

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