该发明专利技术涉及无线通信领域技术领域，尤其涉及一种基于CIR峰值偏移和复值深层神经网络的无线定位方法。包括如下步骤：S1，采用MonteCarlo方法模拟WIFI信号的反射和折射，生成CSI数据集；S2，通过傅立叶逆变换将生成的CSI转换为CIR；S3，将CIR的幅度和相位归一化；S4，将归一化的训练集用于cvDNN训练，获取离线状态下深度神经网络(DNN)的模型、权重和偏置；S5，采用WIFI信号探测器检测目标设备与WIFI设备通信的数据包；S6，从数据包中提取目标设备的CSI信息；S7，将目标设备的CSI转换为CIR；S8，计算底板噪声，对CIR进行滤波处理，并对CIR峰值位置标记为索引；本技术方案用以解决现有无线定位技术在无线定位的过程中，使用存在较大局限性的问题，以及定位精度较低的问题。以及定位精度较低的问题。以及定位精度较低的问题。
【技术实现步骤摘要】
一种基于CIR峰值偏移和复值深层神经网络的无线定位方法
[0001]该专利技术涉及无线通信领域
，尤其涉及一种基于CIR峰值偏移和复值深层神经网络的无线定位方法。
技术介绍
[0002]常用的卫星的定位系统(如GPS)，因传播环境限制了定位系统的覆盖范围和精度。基于无处不在的无线信号(如蓝牙、雷达、射频识别(RFID)、超宽带(UWB)、红外、可见光、声音、地磁场等)，室外和室内无线定位已广泛应用于室外和室内导航、地下采矿、工厂自动化、无线传感器网络等。由于WiFi系统的普及和广泛应用，已经有相关的专利技术提供了基于WIFI的定位方案。但是，较多的研究是基于测距的定位协议和接收信号强度(RSS)实现定位，或者通过位置指纹技术(fingerprintingsystem)计算测量目标设备和参考点的欧几里德距离来实现定位。
[0003]中国专利CN113015093A公开了《一种基于三维深度残差神经网络的室内无线定位方法》，在离线阶段构建室内无线信道状态信息(ChannelStateInformation,CSI)地图，通过构建三维深度残差神经网络模型提取出CSI特征，实现在线的室内无线定位。
[0004]中国专利CN113207089A公开了《基于CSI与众包迁移自校准更新的位置指纹定位方法》，利用一种众包系统，包括众包参与者、中央服务器和用户。众包参与者将各自的位置信息和CSI数据发送到中央服务器，频繁地更新有位置标签的位置指纹；中央服务器通过基于深度迁移学习的算法重建指纹与位置之间的关系，更新位置指纹库和定位模型，于在线测试阶段向中央服务器发送包括当前的CSI测量值作为网络输入训练，实现位置定位。
[0005]中国专利CN112911500A公开了《一种基于多源数据融合的高精度室内定位方法》，对定位基站进行天线延迟校正，使用UWB定位测距数据接收设备采集TOF报文数据；通过信道估计将测距数据进行NLOS特征识别，采用EKF算法进行重构处理；将处理后的TOF测距数据与信号强度进行融合，获得一级融合数据，再通过相应的数据融合规则与通过估计器获取二级融合数据，从而解算出最佳匹配坐标信息。
[0006]中国专利CN112867021A公开了《基于改进型TrAdaBoost的迁移学习室内定位方法》，将原始场景作为源域，将新场景定义为目标域，利用One
‑
Hot算法对CSI幅度进行编码、One
‑
vs
‑
Rest算法对幅度进行交叉匹配、TrAdaBoost算法调整源域和目标域数据的权值，训练出最终的多分类器，通过置信回归估计测试点的位置。
[0007]无线信号传输过程中的多路径效应和无处不在的噪声降低了无线定位方法的精度和稳定性。现有技术在无线定位的过程中，需要事先采集位置区域的相关数据(比如位置指纹、场景模型等)，当应用场景发生变化，又需重复采集位置区域的数据进行训练，运行效率较低，技术本身也存在较大的局限性。
技术实现思路
[0008]针对上述技术的不足，本专利技术的目的在于提供一种基于CIR峰值偏移和复值深层
神经网络的无线定位方法，用以解决现有无线定位技术在无线定位的过程中，使用存在较大局限性的问题，以及定位精度较低的问题。
[0009]为了达到上述目的，本专利技术采取的技术方案如下：
[0010]一种基于CIR峰值偏移和复值深层神经网络的无线定位方法，包括如下步骤：
[0011]S1，采用MonteCarlo方法模拟WIFI信号的反射和折射，生成CSI数据集；
[0012]S2，通过傅立叶逆变换将生成的CSI转换为CIR；
[0013]S3，将CIR的幅度和相位归一化；
[0014]S4，将归一化的训练集用于cvDNN训练，获取离线状态下深度神经网络(DNN)的模型、权重和偏置；
[0015]S5，采用WIFI信号探测器检测目标设备与WIFI设备通信的数据包；
[0016]S6，从数据包中提取目标设备的CSI信息；
[0017]S7，将目标设备的CSI转换为CIR；
[0018]S8，计算底板噪声，对CIR进行滤波处理，并对CIR峰值位置标记为索引；
[0019]S9，以CIR峰值中心点分别提取CIR峰值包络的两个旁瓣，将低于CIR峰值中心点幅度值的1％的数据点置0；
[0020]S10，对滤波后的CIR进行幅度和相位归一化，将峰值中心点偏移到索引位置；
[0021]S11，将归一化的CIR作为训练后的cvDNN网络的输入，通过DNN预测目标设备的TOA；
[0022]S12，基于未知目标设备到达多个探测器的到时差，获取目标设备的位置，实现目标设备的定位。
[0023]进一步限定，所述步骤S2中，将CSI转换为CIR的傅立叶逆变换函数为：
[0024]CIR＝IFFT(CFR*W)
[0025]其中，W是采样宽度，CFR为接收端的信道频率响应，IFFT表示傅里叶逆变换。
[0026]进一步限定，所述步骤S3中，CIR的幅度和相位归一化函数为：
[0027]CIR_norm[N]＝CIR[N]/max(CIR[N])
[0028]式中，CIR_norm[N]为第N个CIR点的归一化值，CIR[N]表示第N个CIR点的值，max(CIR[N])表示整个CIR序列的最大值。
[0029]进一步限定，所述步骤S4中，权重与偏置的关系式为：
[0030]y＝f(x；W，b)＝f
(1)
(f
(2)
(f
(3)
(
…
f
(L)
(x))))
[0031]其中，L，W和b分别代表神经网络的层数、权重和偏移值。
[0032]进一步限定，所述步骤S8中，噪声底板阈值的计算函数为：
[0033][0034]式中，Anoise表示噪声底板的阈值，Asignal_max表示CIR的最大值。
[0035]进一步限定，所述步骤S4中，所述cvDNN的网络结构含有6个隐含层，6个所述隐含层由复值层和实数层构成，其中复值层的数量为3个，且每一层有256个神经元。
[0036]进一步限定，该无线定位系统运行与WASP系统中，包括：
[0037]无线接入点，包括多个用于发射和接收WIFI信号的天线，实现WIFI信号的传输和接收；
[0038]若干无线探测器，用于监控WiFi网络流量和设备通信；
[0039]目标设备，目标设备向AP发送WiFi数据包；
[0040]无线定位终端，计算目标设备的TDOA，从而解算目标设备的位置。
[0041]本技术方案所取得的技术效果如下：
[0042]本专利技术与现有技术相比，从应用场景中直接提取所需的通信信息，采用MonteCarlo方法模拟Saleh
‑
Valenzuela信道模型(以本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于CIR峰值偏移和复值深层神经网络的无线定位方法，其特征在于，包括如下步骤：S1，采用MonteCarlo方法模拟WIFI信号的反射和折射，生成CSI数据集；S2，通过傅立叶逆变换将生成的CSI转换为CIR；S3，将CIR的幅度和相位归一化；S4，将归一化的训练集用于cvDNN训练，获取离线状态下深度神经网络(DNN)的模型、权重和偏置；S5，采用WIFI信号探测器检测目标设备与WIFI设备通信的数据包；S6，从数据包中提取目标设备的CSI信息；S7，将目标设备的CSI转换为CIR；S8，计算底板噪声，对CIR进行滤波处理，并对CIR峰值位置标记为索引；S9，以CIR峰值中心点分别提取CIR峰值包络的两个旁瓣，将低于CIR峰值中心点幅度值的1％的数据点置0；S10，对滤波后的CIR进行幅度和相位归一化，将峰值中心点偏移到索引位置；S11，将归一化的CIR作为训练后的cvDNN网络的输入，通过DNN预测目标设备的TOA；S12，基于未知目标设备到达多个探测器的到时差，获取目标设备的位置，实现目标设备的定位。2.根据权利要求1所述的一种基于CIR峰值偏移和复值深层神经网络的无线定位方法，其特征在于，所述步骤S2中，将CSI转换为CIR的傅立叶逆变换函数为：CIR＝IFFT(CFR*W)其中，W是采样宽度，CFR为接收端的信道频率响应，IFFT表示傅里叶逆变换。3.根据权利要求1所述的一种基于CIR峰值偏移和复值深层神经网络的无线定位方法，其特征在于，所述步骤S3中，CIR的幅度和相位归一化函数为：CIR_norm[N]＝CIR[N]/max(CIR[...
【专利技术属性】
技术研发人员：胡云冰，谢庆明，武春岭，何桂兰，尹宽，李红蕾，常金龙，熊明爽，傅根豪，
申请(专利权)人：重庆电子工程职业学院，
类型：发明
国别省市：
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。