一种基于卷积神经网络的超分辨率CIR室内指纹定位方法技术

本发明专利技术公开了一种基于卷积神经网络的超分辨率CIR室内指纹定位方法，包括步骤A：构建室内无线传播环境，部署RP和AP的位置，在RP处采集CSI信息；步骤B：构建指纹信息，利用MUSIC算法计算不同RP收发天线对的伪谱信息，将同一参考点在一段连续采样时间内得到的伪谱信息进行重组构建成伪谱图像，这部分信息作为指纹信息；步骤C：基于伪谱图像构建卷积神经网络的结构，包括网络的深度、激活函数和全连接层神经元个数；步骤D：将RP和待测点的指纹信息和其对应的位置坐标分别作为训练集和测试集，将训练集输入到卷积神经网络中进行训练；步骤E：将步骤D中的测试集输入到训练好的网络模型中，利用加权质心的方法计算待测点的位置坐标和定位误差。定位误差。定位误差。

【技术实现步骤摘要】
一种基于卷积神经网络的超分辨率CIR室内指纹定位方法


[0001]本专利技术涉及室内定位
，特别涉及一种基于卷积神经网络的超分辨率CIR室内指纹定位方法。

技术介绍

[0002]随着5G时代的到来，其更小的延迟和更大的部署密度，以及毫米波和大规模天线技术的应用使更精确的室内定位成为可能。在蜂窝网络定位中，最常使用的定位方法是在得到到达时间、到达角度和接收信号强度的信息之后，再利用几何方法计算位置信息。这些方法在仅存在非视距传输的情况下，定位效果会受到影响。为了提高定位精度，指纹定位的方法广泛应用于室内定位中。在指纹定位方法中，由于RSS获取简单并且能反映一定的位置信息，它经常被用作指纹特征。但是在不断地研究中发现，对于一个固定位置，随着时间的变化，RSS的大小时常会表现出波动性，这样会给定位带来很大的误差。
[0003]为了提高定位精度，具有细粒度信息的物理层CSI得到了广泛关注，相较于RSS而言，在OFDM系统中CSI提供了每个子载波的信号频域响应，可以反映出多径信息，并且这种信息更加稳定。Wang X和Gao L在2017发表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的超分辨率CIR室内指纹定位方法，其特征在于，包括以下步骤：步骤A：构建室内无线传播环境，将室内环境划分成若干个网格，参考点位于网格中心，部署一个接入点，在参考点处采集信道状态信息；步骤B：构建指纹信息，在采集到各参考点的信道状态信息之后，利用MUSIC算法计算不同的收发天线对的伪谱信息，将同一参考点在一段连续采样时间内得到的伪谱信息进行重组，构造成伪谱图像，这部分信息将作为指纹信息；步骤C：构建卷积神经网络，基于步骤B中的伪谱图像信息构建卷积神经网络的结构，包括网络的深度、激活函数和全连接层神经元个数；步骤D：将RP和待测点的指纹信息和其对应的位置坐标分别作为训练集和测试集，将训练集输入到卷积神经网络中进行训练；步骤E：将步骤D中的测试集输入到训练好的网络模型中，利用加权质心的方法计算待测点的位置坐标和定位误差。2.根据权利要求1所述的一种基于卷积神经网络的超分辨率CIR室内指纹定位方法，其特征在于，步骤B包括如下步骤：步骤B1：建立室内场景和对应的坐标系，将室内平面图划分成网格状，设置参考点、测试点和信号锚节点的位置，所有的节点均处于同一水平面，分别在每个位置上采集信道状态信息并记录它们的位置；无线信道传输模型可以建模为：其中，L代表路径总数，i代表到达路径的索引，δ(t)代表冲激函数,t代表时间,τ
i
和a
i
分别代表对应路径的到达时间和信道复增益，其中e
jθ
代表复变量；那么在接收端接收到的频域信道响应为：其中，f
k
代表第k个子载波，对于不同的子载波存在f
k
‑
f0＝iΔf，Δf表示子载波间隔，在实际的信道中存在加性白噪声，测量得到的信道状态信息可表示为：其中，其中，其中，其中，其中，Z代表信道状态信息中包含的噪声，代表自然定义域；
步骤B2：对于每个位置点，利用MUSIC算法对采集到的信道状态信息进行处理得到伪谱，假定加性白噪声是零均值的且方差为σ2，测量信道频率响应的自相关函数表示为：其中,A＝E[aa
H
]，I为单位矩阵，上标H代表对一个矩阵进行共轭转置。通过特征值分解，可以化简为：将R
H
的特征值按照降序排列，后N
‑
L个特征值非常小等于σ2，趋于零，它们对应的特征向量G＝[q
L . ..q
N
‑1]称为噪声子空间，前L个最大特征值相对来说要大很多，它们对应的特征向量S＝[q
0 ... q
L
‑1]称为信号子空间；那么导向矢量V对应于信号子空间，与噪声子空间正交，所以它到噪声子空间的距离D(...

【专利技术属性】
技术研发人员：罗开文，俞晖，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：