一种基于大规模MIMO单站系统的鲁棒性指纹提取方法技术方案

本发明专利技术公开了一种基于大规模MIMO单站系统的鲁棒性指纹提取方法，先设计出用于后续进一步处理的ADCPM以及MACPV指纹；将上述指纹初步存储以及通过三元表稀疏存储；将MACPV指纹输入降噪自编码器，得到DAE指纹；将ADCPM指纹输入降噪卷积自编码器，得到DCAE指纹；最后将得到的DAE指纹以及DCAE指纹通过加权KNN算法进行在线定位。本发明专利技术既能提高指纹的鲁棒性，还能保持较好的定位精度。

【技术实现步骤摘要】
一种基于大规模MIMO单站系统的鲁棒性指纹提取方法
本专利技术涉及一种基于大规模MIMO单站系统的鲁棒性指纹提取方法，属于信号与信息处理

技术介绍
由于安全性和商业性的要求，如何获取目标的准确位置信息这个问题引起了工业界和学术界的广泛关注，将其称之为基于位置的服务(Location-BasedService，LBS)。较为成熟的LBS技术是以军事应用为目的而起源的全球定位系统(GlobalPositioningSystem，GPS)技术，但是GPS受到环境噪声、多径干扰、非视距路径等影响，不仅定位精度低且GPS消耗功率大。基于无线网络的传统定位方式通常假设无线信号沿着视距(Line-of-Sight，LOS)传播，然后通过接收信号能量(ReceivingSignalStrength，RSS)，到达角度(AngleofArrival，AOA)和到达时间(TimeofArrival，TOA)的测量值由多个基站(BaseStation，BS)进行协同定位。但随着城市的发展和5G时代的到来，人们日常所处的环境大多较为复杂，无线信号的传播路径是非视距(NoneLine-of-Sight，NLOS)的，导致定位性能大大降低，而且多个BS的协作将造成额外的负载和延时。为了克服传统的无线定位技术面临的问题，指纹定位技术得到了广泛的研究，通常采用的指纹类型有两种，一种是将接收信号的强度RSS作为指纹，另一种是将移动终端到BS之间的多径特征作为指纹，如AOA、信道冲激响应CIR、信道状态信息CSI和功率延迟分布PDP。目前基于终端的指纹定位方法主要集中在定位准确性的改进方面，然而在目标定位区域散射环境发生改变的情况下，指纹的鲁棒性不足会引入较大定位误差，对这一问题的研究还比较少见。
技术实现思路
专利技术目的：为了克服现有指纹定位方法中存在的指纹鲁棒性不足的问题，本专利技术提供了一种基于大规模MIMO单站系统的鲁棒性指纹提取方法，设计得到ADCPM指纹，并进一步提取MACPV指纹，基于MACPV指纹提取出DAE指纹，基于ADCPM指纹提取出DCAE指纹，从而实现更强鲁棒性的指纹定位，ADCPM表示角度时延信道功率矩阵，MACPV表示平均角度信道功率向量，DAE表示降噪自编码器，DCAE表示降噪卷积自编码器。技术方案：为实现上述目的，本专利技术采用的技术方案为：一种基于大规模MIMO单站系统的鲁棒性指纹提取方法，包括以下具体步骤：步骤1，基于大规模MIMO单站系统构建ADCPM指纹矩阵：第k个用户到基站BS之间的ADCPM指纹矩阵其中，E表示期望，⊙表示哈达玛积，为第k个用户到BS之间的信道响应矩阵，Zk*表示角度时延信道响应矩阵，V∈Nt×Nt为DFT相移PS-DFT矩阵，U∈NL×Ng为DFT酉矩阵，。DFT相移PS-DFT矩阵V满足：DFT酉矩阵U满足：为V的第α行第β列元素，为U的第φ行第列元素，Nt为BS的天线数，NL为OFDM的符号数，Ng为循环前缀数。为第k个用户到BS的整体信道频率响应CFR矩阵，为第l个子载波上的CFR矩阵，l＝0,1,...,NL-1，NP为总的路径数，αp,k为第k个用户在第p条路径上的复信道增益，θp,k为第k个用户在第p条路径上的到达角度AOA，为传播时延，τp,k为第p条路径的TOA，Ts为大规模MIMO单站系统的最小采样间隔，表示实数空间，e(θp,k)表示阵列响应向量，j表示虚数单位。步骤2，根据步骤1得到的ADCPM指纹矩阵提取MACPV指纹矩阵：根据ADCPM指纹矩阵提取ADCPM指纹对应角度域的特征作为MACPV指纹：代表角度域的平均信道功率向量，Fi,j表示ADCPM矩阵阵元，i表示行(角度域)，j表示列(时延域)。步骤3，将步骤1得到的ADCPM指纹矩阵和步骤2得到的MACPV指纹矩阵采用三元表TT方法稀疏存储，得到压缩后的ADCPM指纹矩阵和压缩后的MACPV指纹矩阵。用压缩后的ADCPM指纹矩阵代替原ADCPM指纹矩阵与位置坐标一起存储到数据库中，得到ADCPM指纹库。用压缩后的MACPV指纹矩阵代替原MACPV指纹矩阵与位置坐标一起存储到数据库中，得到ADCPM指纹库。步骤4，根据得到的MACPV指纹提取DAE指纹：对输入向量进行扰乱处理，具体映射过程为，以概率Pc控制扰乱比例，即对于任意输入x，随机选取d·Pc个元素并将其值保持不变，而将其余值迫使为0，再通过y＝fθ(x)＝s(Wx+b)和z＝gθ’(y)＝s(W’y+b’)得到重构输出z，并利用进行参数更新优化，中间向量y为匹配算法新的输入指纹，其中，表示经过扰乱后的输入，x表示随机输入(指纹)，w0表示一维向量，其值以概率Pc或1-Pc分别赋值为1或0，⊙表示哈达玛积，y表示通过自编码器映射后的中间向量，s表示非线性激活函数，W表示网络权重，b表示相应的偏置参数，z表示重构向量，W’表示逆映射的网络权重，b’表示相应的逆映射偏置参数，θ*表示映射参数，θ’*表示逆映射参数，n表示输入个数，L表示损失函数，xizi表示第i个输入向量和重构向量，gθ’表示逆映射函数，fθ表示映射函数。步骤5，基于ADCPM指纹提取DCAE指纹：首先初始化K个卷积核以及相应的偏置b，分别将每个卷积核作用于输入x得到的第k个特征映射为hk＝s(x*Wk+bk)，hk表示第k个映射特征，s表示映射函数，Wk表示卷积核的参数矩阵，bk表示偏置参数，在得到中间层向量hk后，经过池化操作进一步提取高阶局部特征，借助池化阶段保留的位置关系矩阵，对上面生成的特征映射进行反池化操作，将hk’用0填充还原到原始hk大小，并且满足最大值位置保持不变的特性，将特征矩阵y’k通过反卷积操作，即与卷积核进行卷积操作并将结果求和，得到输出矩阵y，y表示经过反卷积操作后的输出矩阵，s表示映射函数，H表示特征映射簇，y’k表示经过反池化操作后的输出矩阵，表示反卷积的卷积核参数矩阵，c表示相应的偏置参数，计算损失函数关于参数的导数并结合SGD算法完成参数更新，E(θ)表示基于均方误差的损失函数，NH表示输入数据的列向量维度，NW表示输入数据的行向量维度，xij表示输入矩阵中第i行第j列的数据，yij表示输出矩阵中第i行第j列的数据，DCAE指纹模型训练完毕后，将ADCPM指纹输入至DCAE指纹模型得到中间向量hk’，将中间向量hk’进行降维，得到作为匹配算法新的输入指纹，hfp表示降维后的指纹(新的输入指纹)，NumH表示特征映射个数，H’表示特征映射簇，h’k表示通过池化操作得到的中间向量。步骤6，基于步骤4得到的DAE指纹和步骤5得到的DCAE指纹，使用加权KNN匹配方法估计待测点的位置。优选的：步骤3中用压缩后的ADCPM指纹矩阵代替原ADCPM指纹矩阵与位置坐标一起存储到数据库中，得到ADCPM指纹库的方法：步骤31，将待定位的目标区域划分成均匀网格，以待定位的目标区域内的网格顶点作为参考点，将每个参考点的指纹及其对应位置坐标存入数据库，得到指纹数据本文档来自技高网...

【技术保护点】
1.一种基于大规模MIMO单站系统的鲁棒性指纹提取方法，其特征在于，包括以下具体步骤：/n步骤1，基于大规模MIMO单站系统构建ADCPM指纹矩阵：第k个用户到基站BS之间的ADCPM指纹矩阵

【技术特征摘要】
1.一种基于大规模MIMO单站系统的鲁棒性指纹提取方法，其特征在于，包括以下具体步骤：
步骤1，基于大规模MIMO单站系统构建ADCPM指纹矩阵：第k个用户到基站BS之间的ADCPM指纹矩阵其中，E表示期望，⊙表示哈达玛积，为第k个用户到BS之间的信道响应矩阵，Zk*表示角度时延信道响应矩阵，V∈Nt×Nt为DFT相移PS-DFT矩阵，U∈NL×Ng为DFT酉矩阵，；
DFT相移PS-DFT矩阵V满足：



DFT酉矩阵U满足：




为V的第α行第β列元素，为U的第φ行第列元素，Nt为BS的天线数，NL为OFDM的符号数，Ng为循环前缀数；为第k个用户到BS的整体信道频率响应CFR矩阵，为第l个子载波上的CFR矩阵，l＝0,1,...,NL-1，NP为总的路径数，αp,k为第k个用户在第p条路径上的复信道增益，θp,k为第k个用户在第p条路径上的到达角度AOA，为传播时延，τp,k为第p条路径的TOA，Ts为大规模MIMO单站系统的最小采样间隔，表示实数空间，e(θp,k)表示阵列响应向量，j表示虚数单位；
步骤2，根据步骤1得到的ADCPM指纹矩阵提取MACPV指纹矩阵：根据ADCPM指纹矩阵提取ADCPM指纹对应角度域的特征作为MACPV指纹：代表角度域的平均信道功率向量，Fi,j表示ADCPM矩阵阵元，i表示行，j表示列；
步骤3，将步骤1得到的ADCPM指纹矩阵和步骤2得到的MACPV指纹矩阵采用三元表TT方法稀疏存储，得到压缩后的ADCPM指纹矩阵和压缩后的MACPV指纹矩阵；用压缩后的ADCPM指纹矩阵代替原ADCPM指纹矩阵与位置坐标一起存储到数据库中，得到ADCPM指纹库；用压缩后的MACPV指纹矩阵代替原MACPV指纹矩阵与位置坐标一起存储到数据库中，得到ADCPM指纹库；
步骤4，根据得到的MACPV指纹提取DAE指纹：对输入向量进行扰乱处理，具体映射过程为，以概率Pc控制扰乱比例，即对于任意输入x，随机选取d·Pc个元素并将其值保持不变，而将其余值迫使为0，再通过y＝fθ(x)＝s(Wx+b)和z＝gθ'(y)＝s(W'y+b')得到重构输出z，并利用进行参数更新优化，中间向量y为匹配算法新的输入指纹，其中，表示经过扰乱后的输入，x表示随机输入(指纹)，w0表示一维向量，其值以概率Pc或1-Pc分别赋值为1或0，⊙表示哈达玛积，y表示通过自编码器映射后的中间向量，s表示非线性激活函数，W表示网络权重，b表示相应的偏置参数，z表示重构向量，W'表示逆映射的网络权重，b'表示相应的逆映射偏置参数，θ*表示映射参数，θ'*表示逆映射参数，n表示输入个数，L表示损失函数，xizi表示第i个输入向量和重构向量，gθ'表示逆映射函数，fθ表示映射函数；
步骤5，基于ADCPM指纹提取DCAE指纹：首先初始化K个卷积核以及相应的偏置b，分别将每个卷积核作用于输入x得到的第k个特征映射为hk＝s(x*Wk+bk)，hk表示第k个映射特征，s表示映射函数，Wk表示卷积核的参数矩阵，bk表示偏置参数，在得到中间层向量hk后，经过池化操作进一步提取高阶局部特征，借...

【专利技术属性】
技术研发人员：王霄峻，孙伟光，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32