本发明专利技术提供了一种基于子载波选择的信道状态信息室内定位方法，包括离线训练阶段和在线定位阶段，离线训练阶段先采集离线信道状态信息后进行降维处理，选出粗定位子载波和精定位子载波，通过第一卷积神经网络得到区域分类模型，第二卷积神经网络得到位置估计模型；在线定位阶段，采集在线信道状态信息后预处理，确定在线粗定位子载波并输入区域分类模型，确定在线精定位子载波并输入位置估计模型，得到定位结果。本发明专利技术通过对采集的信道信息进行粗定位子载波和精定位子载波的选择，而后输入第一卷积神经网络得到的区域分类模型和第二卷积神经网络位置得到的位置估计模型，解决了现有室内定位方法预测灵活性不足、准确性不够的问题。问题。问题。
【技术实现步骤摘要】
基于子载波选择的信道状态信息室内定位方法
[0001]本专利技术涉及一种基于子载波选择的信道状态信息室内定位方法，属于深度学习领域。
技术介绍
[0002]近年来，室内定位技术一直成为学术界关注的热门话题，目前经典的室内定位技术有红外线、计算机视觉、蓝牙、射频识别、超宽带以及地磁定位技术，但技术手段的丰富并没有出现能够占主导地位的室内定位技术。与此同时，应用场景的增加，需求环境的复杂也让一些高成本的技术手段无法大规模应用于实际环境中，因此低成本、普适性强的室内定位技术优势日益凸显。
[0003]以Wi
‑
Fi为代表的无线局域网技术是目前世界上部署最广的室内无线网络基础设施，基于Wi
‑
Fi的室内定位技术中两种比较典型的技术是基于接收信号强度(RSS)的定位和基于信道状态信息(CSI)的定位。但是在室内环境中，由于障碍物的存在，RSS会受到多径效应的影响从而产生一定的偏差，所以无法提供较高的精确度和可靠性。使用IEEE802.11n传输协议的Wi
‑
Fi信号，它可以通过修改无线网卡驱动来获取OFDM子载波的CSI，CSI来自物理层，它可以更好的表示信号发射端与接收端之间的信道特征和状态。与RSS相比，CSI有着更高的定位精度，更大的感知范围以及更强的感知可靠性。综合来看，研究基于CSI的室内定位技术具有较为宽广的空间和实际意义。
[0004]随着研究者对深度学习技术的深入探索，不断有新型的网络结构被提出。深度学习逐渐成为当前的研究热点并在生活和生产中得到了普遍的应用，且取得了很好的效果。但在室内定位领域，只有少部分研究者将深度学习应用其中，深度学习方法在解决室内定位问题上的潜力尚未得到充分挖掘。
[0005]有鉴于此，确有必要提供一种基于子载波选择的信道状态信息室内定位方法，以解决上述问题。
技术实现思路
[0006]本专利技术的目的在于提供一种基于子载波选择的信道状态信息室内定位方法，以将深度学习应用于基于信道状态信息的室内定位问题中，利用深度学习强大的非线性特征学习能力寻找信道状态信息与实际区域和位置的匹配关系，实现了一种高精度的室内定位算法。
[0007]为实现上述目的，本专利技术提供了一种基于子载波选择的信道状态信息室内定位方法，包含离线训练阶段和在线定位阶段两个阶段，
[0008]离线训练阶段包括：
[0009]步骤1：采集离线训练用的离线信道状态信息，离线信道状态信息包括离线信道状态幅度信息；
[0010]步骤2：对采集的离线信道状态幅度信息进行预处理，得到训练信道状态幅度信
息，预处理包括利用方差过滤法对得到的离线信道状态幅度信息进行降维处理，选择出离线信道状态幅度信息中用于定位的离线定位子载波；
[0011]步骤3：从步骤2离线定位子载波中选择用于粗定位的离线粗定位子载波和用于精定位的离线精定位子载波；
[0012]步骤4：对离线粗定位子载波利用第一卷积神经网络进行分类学习，得到区域分类模型；
[0013]步骤5：对离线精定位子载波利用第二卷积神经网络进行回归学习，得到位置估计模型；
[0014]在线定位阶段包括：
[0015]步骤6：采集在线定位用的在线信道状态信息，在线信道状态信息包括在线信道状态幅度信息；
[0016]步骤7：对步骤6的在线信道状态幅度信息进行预处理，得到定位信道状态幅度信息，预处理包括利用方差过滤法对得到的在线信道状态幅度信息进行降维处理，选择出在线信道状态幅度信息中用于定位的在线定位子载波；
[0017]步骤8：根据步骤3选择的结果，将用于粗定位的在线定位子载波的在线粗定位子载波经过特征拼接后送入步骤4得到的区域分类模型，得到粗定位结果；
[0018]步骤9：根据步骤3选择的结果，将用于精定位的在线定位子载波的在线精定位子载波经过特征拆分形成在线信道状态矩阵，渲染形成在线信道信息彩色图像后送入步骤5得到的位置估计模型，得到精定位结果。
[0019]作为本专利技术的进一步改进，步骤1具体为在定位环境下，将定位环境分成若干的定位子区域，采集目标位于不同参考点时接收设备得到的离线信道状态信息，得到离线信道状态信息中的离线信道状态幅度信息用于定位。
[0020]作为本专利技术的进一步改进，步骤2中利用方差过滤法对得到的离线信道状态幅度信息进行降维处理具体包括：
[0021]步骤21：在定位环境中，计算离线信道状态信息中每个子载波的幅度的方差；
[0022]步骤22：设定阈值，去除方差小于等于阈值的子载波，得到离线信道状态幅度信息中的离线定位子载波。
[0023]作为本专利技术的进一步改进，步骤2还包括：
[0024]步骤23：利用hampel滤波，去除离线定位子载波中的异常值；
[0025]步骤24：利用高斯滤波去除离线定位子载波中的测量噪声。
[0026]作为本专利技术的进一步改进，步骤3具体包括：
[0027]步骤31：根据每个定位子区域对离线定位子载波打上标签；
[0028]步骤32：设置评分函数，对离线定位子载波中的每个子载波分别计算方差分析中的F值(组间均方/组内均方)，得到离线定位子载波中每个子载波的重要性；
[0029]步骤33：根据粗定位需要选择的子载波数目为M，选择离线定位子载波中前M个大F值对应的子载波作为离线粗定位子载波用于粗定位训练；
[0030]步骤34：根据精定位需要的子载波数目为N，选择离线定位子载波中前N个大F值对应的子载波作为离线精定位子载波用于精定位训练。
[0031]作为本专利技术的进一步改进，步骤4具体为：
[0032]步骤41：对用于粗定位的离线粗定位子载波的子载波幅度信息进行数据归一化处理，对每个区域的标签进行独热编码标记；
[0033]步骤42：将步骤41得到的训练数据送入第一卷积神经网络进行分类学习，得到区域分类模型。
[0034]作为本专利技术的进一步改进，步骤4中，第一卷积神经网络为一维卷积神经网络，至少包括输入层、卷积层、池化层，flatten层及全连接层。
[0035]作为本专利技术的进一步改进，步骤5具体包括：
[0036]步骤51：将离线精定位子载波进行特征拆分，按行排列，形成离线信道信息幅度矩阵，然后将离线信道信息幅度矩阵中元素进行数据归一化到[0，64]，利用图像渲染技术将离线信道信息幅度矩阵渲染成离线信道信息彩色图像；
[0037]步骤52：将步骤51离线信道信息彩色图像和对应的位置坐标送入第二卷积神经网络进行回归学习，得到位置回归模型。
[0038]作为本专利技术的进一步改进，步骤51中进行数据归一化的公式具体为：
[0039][0040]式中的x
max
与x
min
分别对应离线信道信息幅度矩阵中的最大值和最小值，y
max
和y
min
分别对应归一化后的上界和下界本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于子载波选择的信道状态信息室内定位方法，包含离线训练阶段和在线定位阶段两个阶段，其特征在于：离线训练阶段包括：步骤1：采集离线训练用的离线信道状态信息，离线信道状态信息包括离线信道状态幅度信息；步骤2：对采集的离线信道状态幅度信息进行预处理，得到训练信道状态幅度信息，预处理包括利用方差过滤法对得到的离线信道状态幅度信息进行降维处理，选择出离线信道状态幅度信息中用于定位的离线定位子载波；步骤3：从步骤2离线定位子载波中选择用于粗定位的离线粗定位子载波和用于精定位的离线精定位子载波；步骤4：对离线粗定位子载波利用第一卷积神经网络进行分类学习，得到区域分类模型；步骤5：对离线精定位子载波利用第二卷积神经网络进行回归学习，得到位置估计模型；在线定位阶段包括：步骤6：采集在线定位用的在线信道状态信息，在线信道状态信息包括在线信道状态幅度信息；步骤7：对步骤6的在线信道状态幅度信息进行预处理，得到定位信道状态幅度信息，预处理包括利用方差过滤法对得到的在线信道状态幅度信息进行降维处理，选择出在线信道状态幅度信息中用于定位的在线定位子载波；步骤8：根据步骤3选择的结果，将用于粗定位的在线定位子载波的在线粗定位子载波经过特征拼接后送入步骤4得到的区域分类模型，得到粗定位结果；步骤9：根据步骤3选择的结果，将用于精定位的在线定位子载波的在线精定位子载波经过特征拆分形成在线信道状态矩阵，渲染形成在线信道信息彩色图像后送入步骤5得到的位置估计模型，得到精定位结果。2.根据权利要求1的基于子载波选择的信道状态信息室内定位方法，其特征在于：步骤1具体为在定位环境下，将定位环境分成若干的定位子区域，采集目标位于不同参考点时接收设备得到的离线信道状态信息，得到离线信道状态信息中的离线信道状态幅度信息用于定位。3.根据权利要求1的基于子载波选择的信道状态信息室内定位方法，其特征在于，步骤2中利用方差过滤法对得到的离线信道状态幅度信息进行降维处理具体包括：步骤21：在定位环境中，计算离线信道状态信息中每个子载波的幅度的方差；步骤22：设定阈值，去除方差小于等于阈值的子载波，得到离线信道状态幅度信息中的离线定位子载波。4.根据权利要求1的基于子载波选择的信道状态信息室内定位方法，其特征在于，步骤2还包括：步骤23：利用hampel滤波，去除离线定位子载波中的异常值；步骤24：利用高斯滤波去除离线定位子载波中的测量噪声。...
【专利技术属性】
技术研发人员：颜俊，张彬彬，曹艳华，
申请(专利权)人：南京邮电大学，
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。