一种基于神经网络的LTE指纹式定位方法技术

本发明专利技术公开了一种基于神经网络的LTE指纹式定位方法，通过LTE系统并结合经神经网络算法处理的室内指纹定位来实现更精确的定位策略。本发明专利技术克服了基于指纹定位的定位点仅为离散点的弊端，同时也改善了传统三点定位因传输时间等造成的定位误差。包括一下步骤：(1)数据收集阶段：使用USRP硬件设备收集数据；(2)神经网络训练数据阶段：根据神经网络模型，建立数据训练网络并进行训练，建立数据指纹库；(3)在线匹配阶段：根据用户实际数据向量特征，利用神经网络进行预测。

【技术实现步骤摘要】
一种基于神经网络的LTE指纹式定位方法
本专利技术公开了一种基于神经网络的LTE指纹式定位方法，主要用于解决在室内环境下结合LTE系统与指纹方式对用户进行定位的问题。本专利技术涉及指纹匹配和神经网络
，是一种在室内环境中利用LTE信号进行较高精确的定位的方法。
技术介绍
无线用户的位置信息对于通信服务有着重要的影响，因而定位成为第四代通信系统(4G)与第五代通信系统(5G)的重要研究内容，例如LBS(基于位置信息的服务)、5G毫米波波束赋形(5GBeamForming)、公共安全的紧急服务等。根据用户所处的环境，定位又被分为室外定位与室内定位。在第四代通信系统(4G)中主要适用全球卫星定位系统(GPS)来提供位置服务，然而这种系统由于室内环境下无法接收到GPS信号而失效。为了解决GPS定位系统的这一问题，人们研究了许多本地化定位技术作为其补充，这些技术包括基于RSS(接收信号强度)、CSI(信道状态指示)、AoA(信号到达角度)、ToF(信号到达时间)、TDoA(信号到达时差)等。在这些方法中，TDOA与AOA主要依赖于来自目标的LOS(视距)信号，因而在复杂传播路径的情况系统往往无法避免较大的误差，尤其是在室内环境中。同时，TDOA对定位系统的时间精确度要求很高，例如某个测量设备的时间误差达到lus，则计算信号从移动设备到接收设备的距离为飞行时间乘以光速，误差将达到300m，这将几乎使得定位结果失效。同样的，AOA的方法需要测量方设计复杂的天线，制作与控制复杂度均较高。这些技术之中，基于无线信号的接收强度(RSS)的定位无需复杂的硬件支持，以及在信号非视线传播下良好的性能而成为具有优势的一种室内定位技术。基于RSS的定位技术一般又分为两类，包括基于信道衰落模型的定位与基于指纹数据匹配的定位。由于无线信号的传播受到距离变化与障碍物的影响而不断衰减和变化，RSS值与信号发射端(移动设备)到接收端之间的距离具有很强的相关性，所以RSS可以用来估计发射端和接收端之间的距离。在以信道衰落模型的定位中，建模无线信号的信道衰弱模型，然后估计出发射端和接收端之间的距离，然后利用三角定位方法实现定位。这种方法的局限性是在室内环境下难以构建准确的信道衰落模型而引入误差，当室内环境往往不相同，无法使用统一的模型建模多个地点，不具有通用性并且模型构建复杂。指纹式定位方法则利用数据匹配的思想，通过已知位置的数据来计算未知节点的位置。这里，指纹被定义为与无线信号以及其信号源位置。指纹式定位主要包括两个步骤，一是离线阶段，二是在线阶段。离线阶段中采集多个地点的位置信号，存储起来，在在线阶段进行数据匹配从而得到未知信号的信源位置。数据匹配采用的传统方法是计算离线数据与在线数据的相似程度(如向量距离等)或使用最大似然估计来计算，这些方法往往容易受到数据噪声或测量误差的影响而无法达到较好的精度要求。近年来机器学习方法的发展为这个问题带来了新的解决方案，机器学习方法选取数据的一些特征(例如接收信号强度)训练数据模型，在系统要计算未知用户的位置时，将其特征信号输入到模型中就可以得到其位置信息。在指纹式定位的数据匹配过程中，通常使用的匹配算法有神经网络算法(NN)、最近邻算法(KNN)、支持向量机(SVM)等。这些算法中，神经网络能够提取数据的各方面特征，并进行更好的数据匹配，训练得到的模型能一定程度上模拟信道衰落模型。
技术实现思路
本专利技术是使用LTE信号并结合神经网络模型进行室内用户定位的方法，主要解决了基于指纹定位的定位点仅为离散点的问题，同时也改善了传统三点式定位方法由于时间敏感性高等原因造成的定位误差，提高了定位精度。为了解决以上问题本专利技术采用了如下技术方案：一种基于神经网络的LTE指纹式定位方法，其特征在于，包括以下内容：步骤1：数据收集阶段：使用USRP硬件设备收集数据；步骤2：神经网络训练数据阶段：根据神经网络模型，建立数据训练网络并进行训练，建立数据指纹库；步骤3：匹配阶段：根据用户实际数据向量特征，利用神经网络进行预测。所述步骤1对数据的收集处理，分为一下步骤：步骤1-1：利用USPRP硬件设备搭建SDRLTE平台；步骤1-2：先对LTE的下行链路进行解码获取LTE的上行信号；步骤1-3：将需要定位的区域等间隔划分为多个小区域，并将小区域依次编号为1，2，3…(这个编号可以使我们检索到每一个区域的位置)。使用USRP信号源在每一个小区域中多次采集信号，记录信号强度，并与相应的位置(这里是小区域的编号)构成向量数据为：(信号强度1，信号强度2，…，信号强度N，小区域编号)。将所采集到的向量数据存入MySQL数据库中。所述步骤2对网络的训练，分为一下步骤：步骤2-1：首先是搭建神经网络。使用Python语言(一种编程语言)以及TensorFlow(TensorFlow是当前主流的一种用于机器学习的支持库)搭建一个8层的神经网络结构。神经网络包含1个数据输入层与1个数据输出层，中间的6层隐藏层。为每一层均构建需要的激励函数为sigmoid函数，选择损失函数为欧式距离函数，选择Adam作为训练中的优化器。步骤2-2：为训练神经网络做准备。选择Sigmoid函数作为各层的激励函数，并将每一层网络的系数θ随机初始化；将预先采集到的数据进行正则化处理，将数据存储顺序做随机打乱，并取百分之八十的数据作为训练数据，百分之二十的数据作为测试数据。步骤2-3：神经网络的训练。将预先采集到的向量数据输入到构建好的神经网络结构中训练。训练时使用分批优化，batch大小(每一批训练量)可根据总的训练数据量进行调节，这里设置为100。预设训练步骤为5000步，那么训练结束后，将得到一个完整调谐的神经网络结构。所述步骤3对用户位置的指纹匹配，分为一下步骤：步骤3-1：收集测试用户的无线信号强度信息，并做与训练阶段相同的数据预处理，这里是对数据进行正则化处理。步骤3-2：将处理好的测试数据输入到(步骤2-3中)训练好的神经网络中，神经网络将会计算出这个数据的位置标签，也就是对应到某一个小区域的编号。由于在采集阶段将每一个小区域进行了编号，那么现在也能够根据编号得出输入数据具体在哪一个小区域中，也就得出了其位置信息。所述步骤2-2具体包括以下内容：系统开始训练时，随机地初始化参数θ，根据输入数据x，x的正确的标签为y，神经网络能够得到一个输出在此时系统并未拟合数据，导致与y之间存在差值，将其定义为损失函数L(y，f(x，θ))；损失函数可以有多种选择，这里使用了平方损失函数，其定义为下式：其中f(·)称为激励函数，采用tanh(x)＝2sigmoid(2x)-1，及(e为自然对数)；系统通过损失函数进行多次迭代并更新参数θ，系统参数θ的更新式为：θt+1＝θt-λΔf(θ)，其中λ是参数更新的步长因子，t代表第t次训练，θt代表第t次训练的θ值，θt+1则代表θt经过一步更新之后的值，即第(t+1)步的θ值，Δf(θ)表示函数f在θ处的导数。步本文档来自技高网...

【技术保护点】
1.一种基于神经网络的LTE指纹式定位方法，其特征在于，包括以下内容：/n步骤1：数据收集阶段：使用USRP硬件设备收集数据；/n步骤2：神经网络训练数据阶段：根据神经网络模型，建立数据训练网络并进行训练，建立数据指纹库；/n步骤3：匹配阶段：根据用户实际数据向量特征，利用神经网络进行预测。/n

【技术特征摘要】
1.一种基于神经网络的LTE指纹式定位方法，其特征在于，包括以下内容：
步骤1：数据收集阶段：使用USRP硬件设备收集数据；
步骤2：神经网络训练数据阶段：根据神经网络模型，建立数据训练网络并进行训练，建立数据指纹库；
步骤3：匹配阶段：根据用户实际数据向量特征，利用神经网络进行预测。


2.根据权利要求1所述的一种基于神经网络的LTE指纹式定位方法，其特征在于，所述步骤1对数据的收集处理，分为一下步骤：
步骤1-1：利用USPRP硬件设备搭建SDRLTE平台；
步骤1-2：先对LTE的下行链路进行解码获取LTE的上行信号；
步骤1-3：将需要定位的区域等间隔划分为多个小区域，并将小区域依次编号为1，2，3…N，这个编号可以使我们检索到每一个区域的位置；使用USRP信号源在每一个小区域中多次采集信号，记录信号强度，并与相应的位置即小区域编号构成向量数据为：(信号强度1，信号强度2，…，信号强度N，小区域编号)；将所采集到的向量数据存入MySQL数据库中。


3.根据权利要求1所述的一种基于神经网络的LTE指纹式定位方法，其特征在于，所述步骤2对网络的训练，分为一下步骤：
步骤2-1：首先是搭建神经网络：使用Python语言以及TensorFlow机器学习支持库搭建一个8层的神经网络结构；神经网络包含1个数据输入层与1个数据输出层，中间的6层隐藏层；为每一层均构建需要的激励函数为sigmoid函数，选择损失函数为欧式距离函数，选择Adam作为训练中的优化器；
步骤2-2：为训练神经网络做准备：将每一层网络的系数θ随机初始化；将预先采集到的数据进行正则化处理，将数据的存储顺序进行随机打乱，并取百分之八十的数据作为训练数据，百分之二十的数据作为测试数据；
步骤2-3：神经网络的训练：将预先采集到...

【专利技术属性】
技术研发人员：马建婷，余锦军，王昊，王恒，
申请(专利权)人：南京恩瑞特实业有限公司，
类型：发明
国别省市：江苏;32