一种基于生成式对抗网络的毫米波室内定位方法及系统技术方案

本发明专利技术公开了一种基于生成式对抗网络的毫米波室内定位方法及系统，获取若干终端随机位置角度观测数据产生真实样本；将真实样本和生成样本同时输入到判别器，训练判别器神经网络；采用误差BP算法计算目标函数关于各层网络参数的梯度并优化；将生成样本输入优化后的判别器，通过优化生成器使生成样本经过判别器的输出为1；反复迭代训练判别器和生成器，达到判别器获得真实数据与生成数据最优区分能力，使生成数据具有与真实数据相同的分布特征；将最优生成器的参数作为估计的AP位置，完成毫米波室内定位。本发明专利技术在室内环境未知的情况下仅利用单AP实现了对AP位置的估计以及对终端位置的估计，所需信息量少，定位精度高。

【技术实现步骤摘要】
一种基于生成式对抗网络的毫米波室内定位方法及系统
本专利技术属于室内定位
，具体涉及一种基于生成式对抗网络的毫米波室内定位方法及系统。
技术介绍
室内定位方法大致分为两类：基于距离模型和基于指纹信息的定位方法。(1)基于距离模型的定位方法基于距离模型的定位方法是利用三角形的几何性质计算出目标点位置，包括三边测量定位法和三角测量定位法等。其中三边测量定位法是根据待测终端到己知无线接入点(AP,accesspoint)的距离实现对终端位置的估计。而三角测量定位法是根据待测终端与AP之间的角度关系实现对终端位置的估计。当待测终端周围存在至少三个AP时，就可以根据三边或三角定位公式计算出终端的位置。常见的定位算法有：信号到达时间(TOA，timeofarrival)、信号到达时间差(TDOA,TimeDifferenceOfArrival)、信号到达角(AOA,angleofarrival)和接收信号强度(RSSI,receivedsignalstrengthindication)等定位算法。基于距离模型的定位方法虽然可以实现较好的定位精度，但是缺点在于：1、需要知道AP的位置。2、需要部署3个及以上AP。3、室内环境复杂，信号传播过程中会出现多径效应，基于距离模型的算法容易受到多径影响，稳健性较差。(2)基于指纹信息的定位方法基于指纹信息的定位方法主要是通过对指纹数据进行采集，并构建相应指纹数据库，最后应用相关算法进行指纹匹配，最终得到待测终端的位置估计。>基于指纹信息的方案降低了对物理测量的要求，提高了可重复性，但是缺点在于：1、指纹与位置之间的函数关系不明确，指纹特征稳健性较差。2、定位精度受限于指纹采样点的疏密程度。3、在指纹匹配阶段，需要将当前采集到的数据与数据库中的数据进行比对以找到匹配程度最高的指纹，计算开销大。现有的室内定位方法分很多种，比如基于红外传感器(InfraredSensor)、超声波(UltrasonicWave)、超带宽(UltraWideBandwidth)、RFID(RadioFrequencyIdentification)等。这些方法虽然具有较高的定位精度，但是都需要安装特殊硬件设备，而且有的硬件昂贵不适合大量部署，这限制了它们的普及。基于距离模型的定位方法主要问题是定位精度的问题。在传统的2.4GHz和5GHz频段下，信号带宽只有20MHz，由于带宽小，时间分辨率低，导致距离估计值的精确度低。另外基于物理层的信道信息，如CSI(Channelstateinformation),CFR(Channelfrequencyresponse)等的定位方法，受到多径效应的影响，所获得的信息是多径的叠加，对DOA，TDOA，AOA等特征的提取带来了一定的挑战。另外基于距离模型的定位方法需要部署3个及以上的AP，在大多数实际室内环境(如家庭环境)中并不适用，此外还需要知道AP的具体位置。
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，提供一种基于生成式对抗网络的毫米波室内定位方法及系统，在室内环境未知情况下实现高精度单AP室内定位及室内地图构建。本专利技术采用以下技术方案：一种基于生成式对抗网络的毫米波室内定位方法，包括以下步骤：S1、获取若干终端随机位置角度观测数据，产生对应的真实样本；S2、将终端随机位置向量输入到生成器，生成器生成对应的生成样本；S3、将步骤S1产生的真实样本和步骤S2生成的生成样本同时输入到判别器，训练判别器的神经网络，使真实样本的输出为1，生成样本的输出为0；采用误差BP算法计算目标函数关于各层网络参数的梯度，采用迭代梯度上升法微调全局参数，优化判别器；S4、将生成样本输入步骤S3优化后的判别器，通过生成器使生成样本经过判别器的输出为1；S5、反复迭代训练判别器和生成器，通过优化调整判别网络参数和生成器AP位置参数，使判别器获得真实数据与生成数据的最优区分能力，生成数据具有与真实数据相同的分布特征；将最优生成器的参数作为估计的AP位置，完成毫米波室内定位。具体的，步骤S1中，在室内环境中采集多个终端位置的多径到达角信息θl(pn)，其中pn表示终端随机位置，l＝1,2,3,...表示真实AP与由真实AP产生的墙面镜像AP，计算任意两AP之间的差分到达角真实样本向量定义为具体的，步骤S2具体为：将终端随机位置向量输入到生成器，根据位于位置的AP与位于位置的目标终端之间的差分到达角和差分出发角满足的关系，生成任一平面随机位置上对应任一AP位置组合的角度向量数据如下：其中，为终端位置在AP位置组合a1,a2,...,aL下由生成器得到的生成样本。进一步的，位置的AP与位于位置的目标终端之间的差分到达角满足关系如下：具体的，步骤S3中，采用迭代梯度上升法微调全局参数如下：其中，为判别器自编码网络连接第m层第i个神经元与第m+1层第j个神经元的权重，β为梯度上升算法的学习率，为偏导，J为判别器目标函数，为逻辑回归层权值矩阵，ω为自编码网络权值矩阵，b为自编码网络偏置矩阵，为自编码网络第m层第j个神经元的偏置。进一步的，判别器的目标函数如下：其中，表示判别器对真实样本的输出，表示判别器对生成样本的输出。具体的，步骤S4中，采用已有迭代梯度下降法更新生成器参数a1,a2,…,aL如下：其中，l＝1,2,…L，η是梯度下降算法的学习率。具体的，步骤S5中，生成器生成具有真实数据同样特征的角度向量数据，将角度向量数据的参数收敛到最优解作为真实的AP位置，通过最小化代价函数搜索方法估计平面位置。进一步的，通过最小化代价函数搜索方法估计该平面位置，具体为：其中，为终端位置估计值，pn为任意终端位置坐标，为AP位置估计值，为终端位置pn处关于AP位置的差分到达角观测值，为观测差分到达角集合。本专利技术的另一个技术方案是，一种基于生成式对抗网络的毫米波室内定位方法系统，包括：真实样本模块，获取若干终端随机位置角度观测数据，产生对应的真实样本；生成样本模块，将终端随机位置向量输入到生成器，生成器生成对应的生成样本；判别器模块，将真实样本模块产生的真实样本和生成样本模块生成的生成样本同时输入到判别器，训练判别器神经网络，使真实样本的输出为1，生成样本的输出为0；采用误差BP算法计算目标函数关于各层网络参数的梯度，并采用迭代梯度上升法微调全局参数，作为判别器的第一次优化；优化模块，将生成样本单独输入判别器模块优化后的判别器，通过优化生成器使生成样本经过判别器的输出为1；定位模块，反复迭代地依次训练判别器和生成器，通过优化调整判别网络参数和生成器AP位置参数，达到判别器获得真实数据与生成数据最优区分能力，使生成数据具有与真实数据相同的分布特征；将最优生成本文档来自技高网...

【技术保护点】
1.一种基于生成式对抗网络的毫米波室内定位方法，其特征在于，包括以下步骤：/nS1、获取若干终端随机位置角度观测数据，产生对应的真实样本；/nS2、将终端随机位置向量输入到生成器，生成器生成对应的生成样本；/nS3、将步骤S1产生的真实样本和步骤S2生成的生成样本同时输入到判别器，训练判别器的神经网络，使真实样本的输出为1，生成样本的输出为0；采用误差BP算法计算目标函数关于各层网络参数的梯度，采用迭代梯度上升法微调全局参数，优化判别器；/nS4、将生成样本输入步骤S3优化后的判别器，通过生成器使生成样本经过判别器的输出为1；/nS5、反复迭代训练判别器和生成器，通过优化调整判别网络参数和生成器AP位置参数，使判别器获得真实数据与生成数据的最优区分能力，生成数据具有与真实数据相同的分布特征；将最优生成器的参数作为估计的AP位置，完成毫米波室内定位。/n

【技术特征摘要】
1.一种基于生成式对抗网络的毫米波室内定位方法，其特征在于，包括以下步骤：
S1、获取若干终端随机位置角度观测数据，产生对应的真实样本；
S2、将终端随机位置向量输入到生成器，生成器生成对应的生成样本；
S3、将步骤S1产生的真实样本和步骤S2生成的生成样本同时输入到判别器，训练判别器的神经网络，使真实样本的输出为1，生成样本的输出为0；采用误差BP算法计算目标函数关于各层网络参数的梯度，采用迭代梯度上升法微调全局参数，优化判别器；
S4、将生成样本输入步骤S3优化后的判别器，通过生成器使生成样本经过判别器的输出为1；
S5、反复迭代训练判别器和生成器，通过优化调整判别网络参数和生成器AP位置参数，使判别器获得真实数据与生成数据的最优区分能力，生成数据具有与真实数据相同的分布特征；将最优生成器的参数作为估计的AP位置，完成毫米波室内定位。


2.根据权利要求1所述的方法，其特征在于，步骤S1中，在室内环境中采集多个终端位置的多径到达角信息θl(pn)，其中pn表示终端随机位置，l＝1,2,3,...表示真实AP与由真实AP产生的墙面镜像AP，计算任意两AP之间的差分到达角真实样本向量定义为


3.根据权利要求1所述的方法，其特征在于，步骤S2具体为：将终端随机位置向量输入到生成器，根据位于位置的AP与位于位置的目标终端之间的差分到达角和差分出发角满足的关系，生成任一平面随机位置上对应任一AP位置组合的角度向量数据如下：



其中，为终端位置在AP位置组合a1,a2,...,aL下由生成器得到的生成样本。


4.根据权利要求3所述的方法，其特征在于，位置的AP与位于位置的目标终端之间的差分到达角满足关系如下：





5.根据权利要求1所述的方法，其特征在于，步骤S3中，采用迭代梯度上升法微调全局参数如下：






其中，为判别器自编码网络连接第m层第i个神经元与第m+1层第j个神经元的权重，β为梯度上升算法的学习率，为偏导，J为判别器目标函数，为逻...

【专利技术属性】
技术研发人员：陈志刚，陈禄，王磊，李文，姬智，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61