【技术实现步骤摘要】
一种结合稠密连接网络的CSI矫正定位方法
本专利技术涉及室内定位技术和数据分析
,具体来说,即一种结合稠密连接网络的CSI矫正定位方法。
技术介绍
大量的室内场景有基于位置服务的条件与需求,由于Wi-Fi设备在室内被广泛地运用,已有研究利用了可以由Wi-Fi获取的信道状态信息(ChannelStateInformation,CSI)进行定位。然而目前基于CSI的室内定位算法没有最大程度上发挥CSI在定位方面的潜力,还存在数据利用不充分、定位算法单一的问题,进而降低了基于CSI的室内定位算法的精确度和鲁棒性。
技术实现思路
本专利技术针对现有技术的定位稳定性差、定位精度低以及指纹采集工作量大的问题,提出了一种结合稠密连接网络的CSI矫正定位方法,引入了基于孤立森林的CSI异常剔除方法、新的CSI幅值指纹形式、改进的CSI定位稠密连接网络、广义延拓插值法扩充指纹库、结合巴氏系数的改进KNN矫正定位算法等处理方法,降低了定位算法的误差,提高了整体的定位性能与稳定性。本专利技术的具体技术方案如下:S1:在待定位区域采集训练节点的CSI数据并采用孤立森林去除异常,构造包含时间、频率和天线对信息的CSI幅值指纹,建立训练指纹库。对已有的CSI幅值数据取平均,使用广义延拓插值法进行插值,构建插值指纹库;S1.1:待定位区域为一个Wi-Fi的信号覆盖区域,在该区域内的每个训练节点进行CSI数据采集,对于第i个训练节点有P对天线对和K个子载波,共采集n个CSI数据包,得到其中每个数据包 ...
【技术保护点】
1.一种结合稠密连接网络的CSI矫正定位方法,其特征在于,包括如下步骤:/nS1:在待定位区域采集训练节点的CSI数据并采用孤立森林去除异常,构造包含时间、频率和天线对信息的CSI幅值指纹,建立训练指纹库;对已有的CSI幅值数据取平均,使用广义延拓插值法进行插值,构建插值指纹库;/nS2:构建改进的CSI定位稠密连接网络,采用训练指纹库数据对网络进行训练;/n改进的CSI定位稠密连接网络采用ELU激活函数以及多层全连接层结构在网络尾部,其中最后一层全连接层神经元数量等于训练节点个数,最后第L层全连接层神经元数量等于训练节点个数的L倍,以此类推,依据网络的大小确定全连接层的层数;/nS3:在待定位区域采集测试节点的CSI数据,构造与训练节点CSI幅值指纹形式相同的多枚指纹,输入到CSI定位稠密连接网络中后得到多个预测结果,每个预测结果含有该测试节点在各个训练节点的概率值,使用概率加权定位算法得到初步定位坐标;针对最大概率大于等于阈值的预测结果数量占比小于阈值的测试节点,采用巴氏系数在插值指纹库中找到近邻训练节点,采用KNN定位算法对网络概率权重定位进行矫正,得到最终的定位坐标。/n
【技术特征摘要】
1.一种结合稠密连接网络的CSI矫正定位方法,其特征在于,包括如下步骤:
S1:在待定位区域采集训练节点的CSI数据并采用孤立森林去除异常,构造包含时间、频率和天线对信息的CSI幅值指纹,建立训练指纹库;对已有的CSI幅值数据取平均,使用广义延拓插值法进行插值,构建插值指纹库;
S2:构建改进的CSI定位稠密连接网络,采用训练指纹库数据对网络进行训练;
改进的CSI定位稠密连接网络采用ELU激活函数以及多层全连接层结构在网络尾部,其中最后一层全连接层神经元数量等于训练节点个数,最后第L层全连接层神经元数量等于训练节点个数的L倍,以此类推,依据网络的大小确定全连接层的层数;
S3:在待定位区域采集测试节点的CSI数据,构造与训练节点CSI幅值指纹形式相同的多枚指纹,输入到CSI定位稠密连接网络中后得到多个预测结果,每个预测结果含有该测试节点在各个训练节点的概率值,使用概率加权定位算法得到初步定位坐标;针对最大概率大于等于阈值的预测结果数量占比小于阈值的测试节点,采用巴氏系数在插值指纹库中找到近邻训练节点,采用KNN定位算法对网络概率权重定位进行矫正,得到最终的定位坐标。
2.如权利要求1所述的一种结合稠密连接网络的CSI矫正定位方法,其特征在于,在所述步骤S1中在待定位区域采集训练节点的CSI数据并采用孤立森林去除异常,构造包含时间、频率和天线对信息的CSI幅值指纹,建立训练指纹库;对已有的CSI幅值数据取平均,使用广义延拓插值法进行插值,构建插值指纹库;具体为:
S1.1:待定位区域为一个Wi-Fi的信号覆盖区域,在该区域内的每个训练节点进行CSI数据采集,对于第i个训练节点有P对天线对和K个子载波,共采集n个CSI数据包,得到其中每个数据包如式(1);i为该训练节点的编号,即类别,为第i个训练节点的第j个数据包的第p对天线对在第k个子载波的CSI;由N个训练节点构成CSI数据集:li=(xi,yi),其中li为第i个训练节点的横纵坐标;
S1.2:使用孤立森林去异常,考虑第i个节点上第p对天线对在第k个子载波的所有样本,以此为一个单位使用孤立森林算法得到异常样本数据包序号,在每一个子载波以及每...
【专利技术属性】
技术研发人员:姚子扬,尚俊娜,施浒立,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。