一种基于多模态GAN的CSI室内定位方法技术

本发明专利技术属于室内领域，涉及一种基于多模态GAN的CSI室内定位方法。该方法以实现低成本、高精度的室内定位为目的，步骤为：获取CSI数据，从中提取平均振幅、相位差及CIR振幅分布中心矩三类数据特征；通过KCCA算法将多维数据融合构建为图像；使用GAN网络对图像和类别标签组成的数据集进行图像扩充与训练；通过一种基于谱聚类的多图像定位算法实现位置估计。本发明专利技术的特点是，通过构建低采集成本、高指纹区分度的CSI多维图像并利用GAN网络进行图像扩充与训练实现室内定位，提升了定位性能的稳定性，有效降低了由噪声和信息丢失引起定位误差，能够满足室内定位应用场景中的高精度、低成本要求。成本要求。成本要求。

A method of CSI indoor location based on multimodal Gan

【技术实现步骤摘要】
一种基于多模态GAN的CSI室内定位方法


[0001]本专利技术属于室内定位领域，涉及一种基于多模态GAN的CSI室内定位方法。

技术介绍

[0002]早期基于Wi
‑
Fi的室内定位方法通常需采集室内环境中的接收信号强度(Received Signal Strength，RSS)，将其视为指纹信息完成定位的相应判定。相比于收信相位差和收信时间差等其他观测信息，RSS的获取相对简单，是大多数无线通信设备正常运行的重要组成部分。基于上述优势，RSS被广泛应用于室内场景定位中。但是，RSS易受环境噪声干扰，其在给定位置处的数据呈现高度多样化，导致系统定位精度相对较低且性能并不稳定。
[0003]近年来，由于商用Wi
‑
Fi设备可以实现对信道状态信息(Channel State Information，CSI)数据的获取，相比于RSS，CSI能以更细粒度表征信号，并且其在给定位置处接受到的信息更加稳定，对该位置的信道特征描述更加详细和准确。因此，基于CSI的室内定位技术引发了国内外研究人员的关注，定位方法相继提出，并有研究者将基于CSI的室内定位方法与机器学习技术相结合，提高定位系统精度和稳定性。
[0004]基于上述研究背景，本专利技术以实现更高定位精度和更低定位成本为目标，采用CSI作为定位参考依据，提出一种基于多模态GAN的CSI室内定位方法。

技术实现思路

[0005]本专利技术的目的是提供一种基于多模态GAN的CSI室内定位方法。本专利技术首先获取CSI数据，从中提取振幅、相位及CIR振幅分布中心矩三类数据特征，通过核典型相关分析(Kernel Canonical Correlation Analysis，KCCA)算法对多维CSI信息进行数据挖掘，并将处理后的高相关度的CSI特征信息进行融合构建CSI多维图像，定位的离线阶段使用图像和类别标签组成的数据集训练对抗生成网络(Generative Adversarial Networks，GAN)；对抗生成网络训练完成后进入在线阶段对待测目标进行位置估计。本专利技术的特点是，利用多维图像识别的方式实现室内定位，有效降低了由噪声和信息丢失引起的定位误差，能够满足室内定位应用场景中的高精度、低成本要求。
[0006]其具体步骤如下：
[0007]步骤1：以装载Intel 5300无线网卡的笔记本电脑为基础构建定位系统，使用搭载2.4GHz的Wi
‑
Fi设备的移动机器人平台在室内环境中的各参考测试点处采集信道状态信息(Channel State Information，CSI)数据，并从中提取振幅信息和相位信息，CSI第i个子载波可以表示为CSI
i
＝|CSI
i
|exp(j∠CSI
i
)，其中第i个子载波的振幅信息可以表示为|CSI
i
|，相位信息可以表示为∠CSI
i
；
[0008]步骤2：提取信道脉冲响应(Channel Impulse Response，CIR)振幅的第一至第四中心矩：均值μ、标准差σ、偏度s以及峰度κ来增加数据维度和提高定位系统稳定性，其中均值μ，其表示归一化CIR的平均幅度，对于标准差σ，其用于衡量单个CIR与平均值的差额，对于偏
度s，其又称偏态系数，是统计数据分布偏斜方向和程度的度量，定义为对于峰度κ，其用于表征概率密度分布曲线在平均值处峰值高低的特征数，定义为其中|h
i
|表示CIR的第i个样本的归一化幅度，L表示样本数量，对于每一个参考测试点，生成多条初始样本，以单个样本为例，其可以表示为其中h
NT
表示第N个子载波上的T组CSI测量值，包括振幅信息、相位信息和CIR中心矩信息；
[0009]步骤3：使用核典型相关分析(Kernel Canonical Correlation Analysis，KCCA)算法对多维CSI信息进行数据挖掘，以振幅向量x
a
和相位向量y
p
为例，首先通过线性核函数将振幅信息和相位信息映射到高维特征空间，其分别表示为Φ
A
：x
a
→
Φ
A
(x
a
)和Φ
P
：y
p
→
Φ
P
(y
p
)，并优化典型变量u＝<w
A
，Φ
A
(x
a
)>和v＝<w
P
，Φ
P
(y
p
)>使两种特征信息的相关系数最大，随后为使用核方法，需引入正则化的拉格朗日函数分别对u和v求导并令其导数为零，可以得到和并将和分别记作向量c和向量d，由此可以得到w
A
＝Φ
A
′
c和w
P
＝Φ
P
′
d，然后引入核函数K
A
＝Φ
A
′
Φ
A
和K
P
＝Φ
P
′
Φ
P
，可得到对应引入正则项的拉格朗日函数，同样令其导数为零，可以得到和并将其矩阵化后可以得到得到和进而可以得到K
O
γ＝λK
D
γ，并推导出K
D
‑1K
O
γ＝λγ，其中λ为振幅和相位的皮尔逊相关系数，最后通过求解特征值的方式得到最大相关系数，并对该系数进行优化，计算出振幅和相位的投影向量将其作为CSI特征信息；
[0010]步骤4：通过步骤3对多维CSI信息进行处理，可以获取振幅与相位、振幅与CIR振幅中心矩和相位与CIR中心矩三组高度相关的CSI特征信息，随后将其融合构建CSI多维图像，最后将定位区域各参考测试点位置处构建的CSI多维图像以及图像类别标签组成总训练数据集输入到对抗生成网络(Generative Adversarial Networks，GAN)中；
[0011]步骤5：利用GAN网络的生成模型对CSI多维图像进行重建和扩充，该模型网络由一个简单的神经网路组成，包括一个输入层、一个隐藏层以及一个输出层，且隐藏层中包含四个神经元，在其输入层中输入随机噪声数据并将其输出的生成样本输入至网络的判别模型中，通过判别模型返回的误差更新生成模型网络参数其中m为在噪声数据中随机提取的训练样本个数，G(z)表示生成模型网络的输出，D(x)表示判别模型中
判别器网络的输出，重复该流程直至判别模型的输出为1，并将此时对应的输出图像作为指纹信息；
[0012]步骤6：利用判别模型中的预判别器将CSI多维图像和随机生成的假数据输入至其中进行预先判断训练，进而对判别器网络权重参数w和偏置参数b进行初始化，该模型网络由一个输入层、三个隐藏层和一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模态GAN的CSI室内定位方法，其具体步骤如下：步骤1：以装载Intel 5300无线网卡的笔记本电脑为基础构建定位系统，使用搭载2.4GHz的Wi
‑
Fi设备的移动机器人平台在室内环境中的各参考测试点处采集信道状态信息(Channel State Information，CSI)数据，并从中提取振幅信息和相位信息，CSI第i个子载波可以表示为CSI
i
＝|CSI
i
|exp(j∠CSI
i
)，其中第i个子载波的振幅信息可以表示为|CSI
i
|，相位信息可以表示为∠CSI
i
；步骤2：提取信道脉冲响应(Channel Impulse Response，CIR)振幅的第一至第四中心矩：均值μ、标准差σ、偏度s以及峰度κ来增加数据维度和提高定位系统稳定性，其中均值μ，其表示归一化CIR的平均幅度，对于标准差σ，其用于衡量单个CIR与平均值的差额，对于偏度s，其又称偏态系数，是统计数据分布偏斜方向和程度的度量，定义为对于峰度κ，其用于表征概率密度分布曲线在平均值处峰值高低的特征数，定义为其中|h
i
|表示CIR的第i个样本的归一化幅度，L表示样本数量，对于每一个参考测试点，生成多条初始样本，以单个样本为例，其可以表示为其中h
NT
表示第N个子载波上的T组CSI测量值，包括振幅信息、相位信息和CIR中心矩信息；步骤3：使用核典型相关分析(Kernel Canonical Correlation Analysis，KCCA)算法对每个样本中的CSI向量进行数据挖掘，以振幅向量x
a
和相位向量y
p
为例，首先通过线性核函数将振幅信息和相位信息映射到高维特征空间，其分别表示为Φ
A
：x
a
→
Φ
A
(x
a
)和Φ
P
：y
p
→
Φ
P
(y
p
)，并优化典型变量u＝<w
A
，Φ
A
(x
a
)>和v＝<w
P
，Φ
P
(y
p
)>使两种特征信息的相关系数最大，随后为使用核方法，需引入正则化的拉格朗日函数分别对u和v求导并令其导数为零，可以得到和并将和分别记作向量c和向量d，由此可以得到w
A
＝Φ
A
′
c和w
P
＝Φ
P
′
d，...

【专利技术属性】
技术研发人员：史伟光，王昊天，王启任，
申请(专利权)人：天津工业大学，
类型：发明
国别省市：