一种基于加权k近邻的信道状态信息指纹定位方法技术

本发明专利技术公开了一种基于加权k近邻的信道状态信息指纹定位方法，属于室内定位技术领域。本发明专利技术方法对现有CSI指纹定位系统进行改进，包括：采用基于预测真实空间距离的近邻点召回方案提高近邻点召回质量，近邻点召回模型优选拉索回归模型；采用基于神经网络拟合加权系数的近邻点加权方案改进近邻点权重设置，并采用添加先验线性方程的形式改善神经网络输入输出相关性不足导致的收敛问题；在线定位时，利用训练好的近邻点召回模型选取与待测点的距离最近的k个近邻点，利用训练好的近邻点加权模型预测k个近邻点的加权系数，最后对k个近邻点的位置进行加权求和确定待测点位置。采用本发明专利技术方法有效提高了CSI指纹定位精度。发明专利技术方法有效提高了CSI指纹定位精度。发明专利技术方法有效提高了CSI指纹定位精度。

【技术实现步骤摘要】
一种基于加权k近邻的信道状态信息指纹定位方法


[0001]本专利技术属于室内定位
，具体涉及一种基于加权k近邻(weighted K
‑
nearest Neighbor，WKNN)实现信道状态信息(channel state information，CSI)指纹定位的改进方法。

技术介绍

[0002]目前，基于无线通信网络的定位技术，由于成本低廉、性能优良、部署便捷等原因，已成为主流的室内定位技术之一。基于无线网络的室内定位技术主要包括“测距/测角定位”和“指纹定位”两种方式。前者通常要求视距通信环境，通过测量诸如到达时间(TOA，time of arrival)、到达时间差(TDOA，time difference of arrival)、到达角(AOA，angle of arrival)等方法实现目标定位。指纹定位则利用信号特征在空间中不同位置的特异性实现定位，由于信号指纹在视距或非视距场景下都有着较高的空间分辨率，因此指纹定位逐渐成为了室内定位领域的研究热点。
[0003]指纹定位分为两个环节，分别是离线建库和在线定位。离线建库环节将采集空间中多个参考点的坐标和信号指纹，一一匹配生成离线指纹地图库。在线定位环节中，待测终端的位置估计可以建模成分类或回归问题。通过回归模型实现定位时，往往需要借助神经网络强大的拟合能力(参考文献1：Khatab Z E,Hajihoseini A,Ghorashi S A.A Fingerprint Method for Indoor Localization Using Autoencoder Based Deep Extreme Learning Machine[J].IEEE Sensors Letters,2017.)，但是在实际系统中，经常会出现距离较远的参考点具有相似信号指纹的情况，这将导致该类方法的性能大受影响。并且，为了达到较高的定位精度，该方法的训练、调参过程都过于繁琐和耗时。
[0004]在基于分类的定位算法中，将待测终端划分到一个或多个已知的类别中。然而，在大面积室内环境或高密度参考点的场景下，分类定位算法将面临因类别数过多而导致定位精度和实时性能下降等问题。KNN(K
‑
nearest Neighbor)作为最常见的指纹匹配手段，可以被认为是特殊的分类算法：其类别数多达参考点数目，这保证KNN算法具备高精度定位的能力；另外，分类过程只需要计算指纹之间的相似度，如此低计算复杂度保证了在线定位环节的实时性。但是，KNN对召回的k个近邻点进行无差别的平均，这是该方法的弱点。基于WKNN的定位技术针对待测点指纹与部分参考点指纹相近但实际距离相差较远的问题，可以通过设计合理的参考点加权系数提高定位精度(参考文献2：Poulose A ,Han D S.Performance Analysis of Fingerprint Matching Algorithms for Indoor Localization[C]//International Conference on Artificial Intelligence in Information and Communication(ICAIIC).2020.)，该方法主要分为两部分：近邻点召回和近邻点加权。首先从指纹地图库中依据指纹向量相似度召回待测点的k个近邻参考点，然后对这些参考点的位置进行加权求和，最终得到待测点的位置估计。
[0005]基于传统WKNN的在线定位技术中，在召回近邻点时，由于两点之间信号指纹相似度越高(指纹向量距离越小)则位置往往越接近，因此常基于欧式距离或相关系数等指标寻
找近邻点，该方案具有不错的效果。当采用CSI作为信号指纹时，CSI包含幅度和相位信息，并且两点之间的向量相似度本身存在多种衡量方式，因此有必要寻求多种信息的高效融合方法。对于近邻点加权，KNN算法对召回的k个近邻点进行无差别的平均加权，WKNN作为对KNN的改进，启发式地将k个近邻点的权重设计为指纹向量相似度的倒数，让距离待测点更近的参考点具有更高的权重，该方案明显优于KNN。但是，如果能够为上述过程设计更为精密的权重分配算法，将有助于定位精度进一步提升。

技术实现思路

[0006]本专利技术针对目前WKNN方法存在的上述问题，对在线定位算法WKNN进行改进，提出了一种基于WKNN实现CSI指纹定位的方法，包括基于预测真实空间距离的近邻点召回方案，以及基于神经网络拟合加权系数的近邻点加权方案，实现了指纹定位的精度提升。
[0007]本专利技术提供的一种基于加权k近邻的信道状态信息指纹定位方法，包括如下步骤：
[0008]步骤1，离线构建指纹地图库；
[0009]步骤2，离线训练WKNN近邻点召回模型；
[0010]步骤3，离线训练WKNN近邻点加权模型；
[0011]步骤4，在线定位时，首先利用训练好的近邻点召回模型预测指纹地图库中参考点与待测点的距离，选取距离最小的k个参考点作为近邻点，再利用训练好的近邻点加权模型预测k个近邻点的加权系数，最后对k个近邻点的位置进行加权求和确定待测点位置。
[0012]所述步骤2中，采用基于预测真实空间距离的近邻点召回方案，具体为：利用机器学习模型学习两个样本点之间的真实距离，模型的输入是两样本点的CSI的幅度向量和相位向量的多种距离度量，模型的输出是两样本点的真实距离；在线定位时，对模型预测得到的各个参考点到待测点的距离从小到大排序，选取最小的k个参考点作为近邻点。
[0013]所述步骤2中，近邻点召回模型优选为拉索回归模型。
[0014]所述步骤3中，采用基于神经网络拟合加权系数的近邻点加权方案，具体为：近邻点加权模型采用输出层为softmax的全连接神经网络，神经网络的输入特征是k个近邻点与待测点的指纹距离，神经网络的输出是k个近邻点的权重系数。在训练所述近邻点加权模型时，添加“距离越近，权重越大”的先验知识，计算获取训练样本标签，再利用训练样本集对所述近邻点加权模型进行训练。
[0015]相对于现有技术，本专利技术的优点和积极效果在于：
[0016]针对传统WKNN算法的不足，本专利技术方法分别从其近邻点召回和近邻点加权两个步骤入手，分别针对性地提出改进：在近邻点召回环节中，通过机器学习模型将近邻点召回的目标设置为真实的空间距离而非指纹向量距离，提高近邻点召回质量；在近邻点加权环节中借助神经网络预测出k个近邻点的权重值，并且采用添加先验线性方程的形式改善神经网络输入输出相关性不足导致的收敛问题。最终，通过两个改进算法使得本专利技术的指纹定位精度得到了有效提升。
附图说明
[0017]图1是本专利技术的基于WKNN的CSI指纹定位方法的整体流程图；
[0018]图2是本专利技术的近邻点加权模型的网络结构示意图；
[0019]图3是本专利技术方法与传统方法的定位精度的对比图。
具体实施方式
[0020]下面结合附图和实施例对本专利技术技术方案本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于加权k近邻的信道状态信息指纹定位方法，其特征在于，包括如下步骤：步骤1：离线构建指纹地图库；步骤2：离线训练近邻点召回模型；所述近邻点召回模型为机器学习模型，模型的输入特征是两样本点的CSI的幅度向量和相位向量的多种距离度量值，输出是两样本点的真实距离，所述近邻点召回模型利用训练样本学习两个样本点之间的真实距离；其中，CSI表示信道状态信息；步骤3，离线训练近邻点加权模型；所述近邻点加权模型采用输出层为softmax的全连接神经网络，神经网络的输入特征是k个近邻点与待测点的指纹距离，神经网络的输出是k个近邻点的权重系数；在训练所述近邻点加权模型时，添加“距离越近，权重越大”的先验知识，计算获取样本标签，对所述近邻点加权模型进行训练；步骤4，在线定位时，首先利用训练好的近邻点召回模型预测指纹地图库中参考点与待测点的距离，选取距离最小的k个参考点作为近邻点，再利用训练好的近邻点加权模型预测k个近邻点的加权系数，最后对k个近邻点的位置进行加权求和确定待测点位置。2.根据权利要求1所述的方法，其特征在于，所述的步骤2中，机器学习模型采用拉索回归模型。3.根据权利要求1或2所述的方法，其特征在于，所述的步骤2中，模型的输入特征包括两样本点的CSI幅度向量和相位向量的相关系数、余弦相似度、不同参数的闵可夫斯基...

【专利技术属性】
技术研发人员：林坤海，韩圣千，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：